Social Rocket
Goodway Group utilise des audiences synthétiques pour tester des plans média avant les campagnes réelles. Selon un rapport du 12 octobre 2026, l'agence collabore à cet effet avec le fournisseur de données Arima. Son offre comprend également un modèle de la population allemande avec 80 millions de personnes virtuelles et environ 20.000 variables modélisées. Ce chiffre décrit des jeux de données générés artificiellement, et non une enquête auprès de 80 millions de personnes réelles.
Une planification média, de nombreux scénarios simulés
Selon ses propres indications, Arima combine différents jeux de données en une « Synthetic Society ». Goodway veut ainsi vérifier à l'avance comment différentes audiences ou répartitions budgétaires pourraient réagir. Les hypothèses doivent ensuite être validées dans des campagnes publicitaires réelles et limitées. L'avantage au quotidien : comparer des scénarios sans engager immédiatement un budget de test pour chaque idée.
Ce cas n'est pas un simple annonce d'un nouvel outil d'IA. Il montre que les groupes de clients synthétiques entrent de plus en plus directement dans les décisions sur le budget média et la stratégie créative. Selon Digiday, des marques des secteurs beauté et biens de consommation utilisent notamment des méthodes similaires pour examiner tôt leurs idées produit et leurs hypothèses sur les audiences.
80 millions de personnes modélisées ne sont pas 80 millions de voix
C'est là que réside la principale limite. Le jeu de données est censé reproduire des distributions et des relations. Cela ne garantit pas que sa prévision soit fiable pour une marque, une région ou une annonce précise. De plus, les biais présents dans les données de départ ou dans les hypothèses du modèle peuvent être reproduits.
Une étude de Netzer et Sambandam distingue explicitement les réponses générées par LLM, les personas de segments et les jumeaux numériques individuels. Elle montre qu'une forte concordance en moyenne peut masquer de faibles prévisions pour des individus. Le point décisif est pour quelle question un modèle synthétique a été préalablement validé sur des données réelles.
Plus concrète encore est une étude portant sur 399 tests A/B de titres statistiquement significatifs issus des archives d'Upworthy. Un LLM sans personas élaborés y prévoyait l'ordre des variantes mieux que le panel de personas testé. L'étude est un préprint au champ d'application limité : elle ne réfute donc pas tous les modèles de données synthétiques, mais elle contredit l'idée qu'un détail plus poussé des personas garantit automatiquement de meilleures prévisions.
Trois vérifications pour les équipes marketing allemandes
Premièrement : exigez un rapport d'erreur comparé à des enquêtes réelles indépendantes et à des données de campagnes issues du marché allemand. Une répartition démographique globale fidèle ne suffit pas.
Deuxièmement : distinguez la simulation de l'effet d'un budget d'un effet mesuré de manière causale. Un marché de contrôle artificiel peut fournir des idées, mais il ne remplace pas un test géographique (geo-holdout) bien conçu ni un autre test d'incrémentalité réel. Notre analyse du retail media et de l'incrémentalité explique comment la mesure causale réelle est utilisée dans le commerce.
Troisièmement : définissez la décision que le modèle doit réellement améliorer : segments d'audience, message, niveau de budget ou choix des canaux. Pour la diffusion automatisée, d'autres questions de contrôle s'ajoutent, que nous abordons à propos du media buying agentique et de l'évaluation de valeurs de ROAS prétendument cinq fois supérieures.
En résumé : les panels synthétiques peuvent accélérer la recherche et la présélection. Leur intérêt économique n'est démontré que lorsque les décisions fondées sur eux obtiennent, face aux résultats réels, de meilleures performances que les méthodes précédentes.
Sources : Digiday, 12.10.2026 ; Arima, population synthétique Allemagne ; Netzer/Sambandam, Synthetic Data in Marketing Research, septembre 2026 ; Maiorano, étude Sim-to-Real, préprint 2026.
Image illustrative : Luke Chesser / Unsplash. Ne représente pas le logiciel Arima.