Cet article fait partie des mises à jour hebdomadaires sur les nouveaux développements dans l’utilisation des méthodes et outils d’IA pour les enquêtes (ménages, individus, exploitations agricoles…) et les données administratives pour les statistiques officielles.

Période couverte : 14 – 20 avril 2026

Mots clés : IA, recherche par enquête, statistiques officielles, apprentissage automatique, qualité des données, enquêtes ménages, méthodes statistiques, analyse de données, adoption de l’IA

Points clés

  • Le rapport AI Index 2026 de Stanford souligne que l’IA générative a atteint un taux d’adoption de 53 % au niveau de la population en seulement trois ans, avec 58 % des employés dans le monde déclarant utiliser l’IA au travail. Cependant, l’anxiété publique augmente, et le public américain fait état de la plus faible confiance dans son gouvernement pour réguler efficacement l’IA.
  • La Réserve fédérale a publié une note sur le suivi de l’adoption de l’IA dans l’économie américaine, révélant que 18 % des entreprises ont adopté l’IA à la fin de l’année 2025, et que 78 % de la main-d’œuvre travaille dans des entreprises ayant adopté l’IA.
  • LAPS (LLM-Assisted Public Survey), un nouveau cadre automatisé, a été présenté pour soutenir une analyse statistique complète et pilotée par hypothèses des données d’enquête, réduisant la charge cognitive tout en garantissant l’autonomie du chercheur.
  • L’ajustement fin des modèles de langage sur des données d’enquête à grande échelle (jeu de données SubPOP) démontre que le fine-tuning des LLM sur des données d’enquête structurées améliore significativement la prédiction des distributions d’opinion publique, réduisant l’écart LLM-humain jusqu’à 46 %.

1. Adoption de l’IA et opinion publique : enseignements du Stanford AI Index 2026

L’Institut Stanford pour l’IA centrée sur l’humain a publié en avril 2026 son très attendu rapport AI Index 2026 [1], offrant un portrait complet et fondé sur les données du développement rapide de l’IA et de son impact sociétal. Le rapport révèle que l’IA générative a atteint un taux d’adoption de 53 % au niveau de la population en seulement trois ans, se diffusant plus rapidement que l’ordinateur personnel ou Internet.

Au travail, 58 % des employés dans le monde ont déclaré utiliser l’IA de manière semi-régulière ou régulière en 2025. Fait intéressant, l’utilisation de l’IA au travail est plus élevée dans plusieurs économies émergentes que dans de nombreux pays avancés ; dans des pays comme l’Inde, la Chine, le Nigeria, les Émirats arabes unis, l’Égypte et l’Arabie saoudite, la part dépasse 80 % [2].

Malgré cette adoption rapide, le sentiment public est complexe. Alors que 59 % des répondants mondiaux se montrent optimistes quant aux bénéfices de l’IA, 52 % rapportent que les produits d’IA les rendent nerveux. Aux États-Unis, 64 % des Américains s’attendent à ce que l’IA entraîne une diminution des emplois au cours des 20 prochaines années, et le public américain fait état de la plus faible confiance (31 %) dans son gouvernement pour réguler l’IA de manière responsable parmi tous les pays sondés [2].

2. Suivi de l’adoption de l’IA dans l’économie américaine

Une note récente de la Réserve fédérale a examiné les tendances d’adoption de l’IA dans l’économie américaine à partir de trois enquêtes publiques : l’enquête Business Trends and Outlook Survey (BTOS) du Census Bureau, la Real-Time Population Survey (RPS), et la Survey of Business Uncertainty (SBU) [3].

L’analyse a révélé qu’environ 18 % des entreprises américaines avaient adopté l’IA à la fin de 2025. Toutefois, pondérée par l’emploi, la SBU estime que 78 % de la main-d’œuvre travaille dans des entreprises ayant adopté l’IA, et environ 54 % dans des entreprises utilisant des modèles de langage de grande taille (LLM) [3]. Cela indique que si le nombre absolu d’entreprises adoptant l’IA est encore en croissance, les plus grands employeurs ont déjà intégré l’IA dans leurs opérations. Le rapport note également une adoption robuste de l’IA dans les secteurs de services à forte valeur ajoutée, tels que les services professionnels et la finance, suggérant que l’utilisation actuelle de l’IA est la plus répandue dans les travaux cognitifs et analytiques.

3. LAPS : automatisation de l’analyse statistique pilotée par hypothèses des enquêtes publiques

Un nouvel article présenté à la conférence CHI 2026 a introduit LAPS, un cadre automatisé assisté par LLM conçu pour soutenir une analyse statistique complète et pilotée par hypothèses des données d’enquête publique [4]. Les enquêtes publiques sont essentielles pour comprendre les dynamiques sociales, mais leur analyse impose souvent une lourde charge cognitive en raison de leur complexité structurelle.

LAPS se compose de quatre modules : Opérationnalisation, Planification, Exécution et Rapport. Il intègre des mécanismes humains dans la boucle pour équilibrer automatisation et autonomie utilisateur. Une étude utilisateur menée avec 12 chercheurs en sciences sociales a démontré que LAPS assure une stabilité analytique, réduit la charge cognitive dans le flux de travail d’analyse, et produit des résultats fiables et cohérents [4]. Cet outil représente une avancée majeure pour rendre l’analyse de données d’enquête complexes plus accessible et efficace pour les chercheurs.

4. Ajustement fin des LLM sur des données d’enquête à grande échelle pour la prédiction d’opinions

Des chercheurs de l’UC Berkeley et de Microsoft Research ont proposé une approche novatrice pour prédire les distributions d’opinion publique en ajustant directement les LLM sur des données d’enquête à grande échelle [5]. Ils ont constitué SubPOP, un jeu de données comprenant 3 362 questions et 70 000 paires sous-population-réponse issues d’enquêtes d’opinion publique bien établies.

Les méthodes antérieures tentaient de guider les LLM via l’ingénierie de prompt (en décrivant les sous-populations dans l’invite), mais ces approches peinaient à prédire fidèlement les distributions de réponses humaines. L’étude a montré que le fine-tuning sur le jeu de données SubPOP améliore considérablement la correspondance entre les prédictions des LLM et les réponses humaines à travers diverses sous-populations, réduisant l’écart LLM-humain jusqu’à 46 % par rapport aux méthodes de base [5]. Cette avancée souligne le potentiel du fine-tuning basé sur les enquêtes pour permettre des conceptions d’enquête plus efficaces et une prédiction précise des opinions pour des sous-populations diverses et réelles.

Références

[1] Inside the AI Index: 12 Takeaways from the 2026 Report. Stanford HAI. https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report [2] Public Opinion | The 2026 AI Index Report. Stanford HAI. https://hai.stanford.edu/ai-index/2026-ai-index-report/public-opinion [3] Monitoring AI Adoption in the US Economy. Federal Reserve. https://www.federalreserve.gov/econres/notes/feds-notes/monitoring-ai-adoption-in-the-u-s-economy-20260403.html [4] LAPS: Automating Hypothesis-Driven Statistical Analysis of Public Survey Using Large Language Models. ACM Digital Library. https://dl.acm.org/doi/full/10.1145/3772318.3791665 [5] Language Model Fine-Tuning on Scaled Survey Data for Predicting Distributions of Public Opinions. arXiv. https://arxiv.org/html/2502.16761v2