Aller au contenu
Base de connaissances

Génération de réponses par agents

Cette page décrit la fonctionnalité de simulation de campagne : des agents IA génèrent des réponses d’enquête synthétiques à partir de profils de persona, ce qui permet de tester des campagnes hypothétiques avant leur déploiement réel.

La simulation de campagne vous permet de tester des scénarios de campagne hypothétiques avec des données synthétiques. Des agents IA remplissent les enquêtes en tant que répondants virtuels et produisent des réponses réalistes, fondées sur des profils démographiques et des traits de comportement.

  • Valider l’enchaînement et la logique du questionnaire avant le déploiement réel
  • Tester les pipelines d’analyse avec des données synthétiques réalistes
  • Former les enquêteurs grâce à des sessions d’enquête simulées
  • Estimer les ressources nécessaires à la conduite d’une campagne
  • Produire des données de démonstration pour les présentations aux parties prenantes

Le mode distribution="llm" s’appuie sur Claude Haiku pour générer des réponses tenant compte du contexte, à partir des profils de persona. Chaque question est traitée par un LLM qui reçoit le profil complet du persona ainsi que toutes les paires question-réponse précédentes ; les réponses restent ainsi cohérentes sur l’ensemble de l’enquête.

Principaux avantages par rapport à la génération par règles :

  • Cohérence contextuelle : un répondant qui se déclare « sans emploi » ne décrira pas ensuite son lieu de travail
  • Langage naturel : les réponses ouvertes reflètent la manière de s’exprimer du persona
  • Choix nuancés : la sélection d’une option tient compte de tout le contexte de la question, et non d’un simple tirage aléatoire pondéré

Prérequis : votre fournisseur Raisonnement (Paramètres du profil → Modèles IA), ou celui de votre organisation, doit être Anthropic API ou AWS Bedrock, avec ses identifiants enregistrés. Le remplissage est facturé sur ce compte, jamais sur une clé de la plateforme. Si aucun fournisseur n’est configuré ou si ses identifiants manquent, le mode échoue immédiatement, avant le traitement de la moindre enquête — aucun repli silencieux.

Exemple :

User: result = mass_fill_surveys(campaign_id="abc", distribution="llm", profiles=["young_single", "retired"])
# result = {"task_id": "...", "status": "pending"}
# poll get_task_status(task_id=result["task_id"]) until terminal
Result (after the task completes):
Young Professional answering "How often do you shop online?"
→ "Several times a week" (tech-savvy, time-conscious)
Retired Senior answering the same question
→ "A few times a month" (traditional, deliberate shopper)

Le mode par défaut, distribution="realistic", procède par sélection aléatoire pondérée selon les profils démographiques. Il est plus rapide mais moins sensible au contexte : il convient aux tests de pipeline à grand volume, lorsque la qualité des réponses importe peu.

Distribution Méthode Vitesse Qualité
llm Claude Haiku pour chaque question ~1 s/question Élevée — contextuelle, cohérente
realistic Tirage aléatoire pondéré Instantanée Moyenne — influencée par la démographie
random Tirage purement aléatoire Instantanée Faible — aucune influence démographique

Simulez le cycle de vie complet d’une campagne avec de nombreux répondants.

Phase 1 : PréparationPhase 2 : ExécutionPhase 3 : AnalyseCréer le projetCréer la campagneGénérer les répondantsCréer la stratégie et le vivierCréer les enquêtes en masseAttribuer les personasRemplir les enquêtesGérer les branchementsCréer le jeu de données BronzeAppliquer le calageExporter les données
  • Crée le projet, le questionnaire et la campagne
  • Génère des répondants synthétiques aux caractéristiques démographiques réalistes
  • Crée la stratégie d’échantillonnage et le vivier de répondants
  • Crée en masse les enquêtes de tous les répondants
  • Remplit les enquêtes en générant les réponses à partir des personas
  • Simule des schémas de réponse réalistes selon les caractéristiques démographiques
  • Gère les branchements et les sauts du questionnaire
  • Extrait les réponses dans un jeu de données Bronze
  • Applique une pondération de post-stratification (calage)
  • Crée les jeux de données Silver et Gold
  • Exporte dans plusieurs formats (CSV, XLSX, SPSS, Parquet, R, JSON)

Les personas définissent les caractéristiques qui orientent la génération des réponses synthétiques. Chaque persona possède des attributs démographiques et des traits de comportement qui influencent sa façon de répondre.

Les attributs propres de vos répondants s’y ajoutent

Section intitulée « Les attributs propres de vos répondants s’y ajoutent »

Un persona est un archétype ; le répondant qu’il représente est un enregistrement précis de votre projet. Lorsqu’une réponse synthétique est générée pour un répondant réel, les attributs propres de ce répondant s’ajoutent au persona : son âge, son genre et sa localisation, ainsi que chaque attribut personnalisé que vous avez enregistré pour lui.

C’est généralement dans les attributs personnalisés que se trouvent les caractéristiques sur lesquelles une étude segmente réellement : taille de l’entreprise, secteur, région, niveau d’adhésion, tout ce que votre import contenait. Ces attributs parviennent désormais au répondant simulé : un persona qui répond pour le compte d’une microentreprise du secteur bancaire répond comme telle, et non comme un archétype générique qui se trouve simplement appartenir à la même tranche d’âge.

Deux conséquences à connaître :

  • Un attribut réel l’emporte sur un attribut personnalisé du même nom. Si vous enregistrez un attribut personnalisé nommé location, c’est le champ de localisation propre au répondant qui prévaut : le répondant simulé ne reçoit jamais deux réponses différentes à une même question le concernant.
  • Les attributs sur lesquels vous pondérez sont ceux que voit le persona. Les facteurs de calage peuvent déjà être construits à partir d’attributs personnalisés ; cette évolution comble donc un manque : auparavant, vous pouviez pondérer un échantillon sur une caractéristique dont les répondants simulés n’avaient jamais été informés.
Profil Caractéristiques démographiques Caractéristiques des réponses
Young Professional 25-35 ans, célibataire, en emploi, revenu de 50 000 à 80 000 $ À l’aise avec la technologie, pressé, réponses brèves
Family Oriented 30-50 ans, marié, avec enfants, périurbain Décisions centrées sur la famille, réponses détaillées
Retired Senior 65 ans et plus, retraité, revenu fixe Valeurs traditionnelles, réponses approfondies
High Earner 35-55 ans, revenu élevé (> 100 000 $) Attaché à la qualité, préférences haut de gamme
Random Caractéristiques démographiques variées Schémas de réponse imprévisibles

Chaque profil de persona est défini ainsi :

name: Young Professional
description: Young adult professional, tech-savvy and time-conscious
demographics:
age_range: 25-35
gender: any
marital_status: single
employment: full-time professional
income: $50,000 - $80,000
education: bachelor's degree
location: urban/suburban
behavioral_traits:
- tech-savvy
- time-conscious
- values convenience
- early adopter
response_style:
verbosity: brief
decision_speed: quick
detail_level: moderate

Vous pouvez créer des personas personnalisés adaptés à vos besoins de recherche :

User: "Create a persona for budget-conscious students"
AI: Creating custom persona: Budget Student
Demographics:
- Age: 18-24
- Employment: Part-time or student
- Income: < $25,000
- Education: Currently enrolled
- Location: University town
Behavioral Traits:
- Price-sensitive
- Social media active
- Peer-influenced decisions
- Values free trials/samples
Response Style:
- Casual language
- Quick decisions
- Strong opinions on value
Save this persona for future simulations?

Pour chaque question de l’enquête, le LLM reçoit un prompt unique qui contient :

  1. Le prompt système : le texte du profil de persona, avec ses caractéristiques démographiques et ses traits de comportement
  2. Les données démographiques du répondant : les données réelles de l’enregistrement du répondant (âge, genre, niveau d’études, etc.)
  3. L’historique des questions-réponses : toutes les paires question-réponse précédentes de cette session d’enquête
  4. La question en cours : le texte de la question, les options disponibles et le format de réponse JSON attendu

Le LLM renvoie une réponse JSON structurée, convertie dans le format attendu par le moteur d’enquête (valeur unique, tableau ou dictionnaire selon le type de question).

Chaque enquête conserve un historique cumulatif des paires question-réponse. Cet historique est inclus dans chaque prompt suivant, ce qui permet au LLM de :

  • Rester cohérent — une personne qui s’est déclarée « sans emploi » ne décrira pas un lieu de travail par la suite
  • S’appuyer sur le contexte — les notes de satisfaction concordent avec les expériences positives ou négatives évoquées plus tôt
  • Éviter les contradictions — les réponses démographiques restent cohérentes entre elles

Les réponses sont les codes de réponse entiers issus de la table labels de la question (texte libre uniquement pour les questions ouvertes de type Textarea) — voir Format de présentation des enquêtes :

Type de question Format attendu Exemple
Choix unique (bouton radio / liste déroulante) Un code de réponse 2
Choix multiple (cases à cocher) Tableau des codes de réponse sélectionnés (réduit à un masque de bits par l’analyseur) [1, 4]
Curseur (numérique) Nombre compris dans l’intervalle 7
Plage (intervalle) Paire [low, high] comprise dans l’intervalle, la borne basse ne dépassant pas la borne haute [3, 8]
Interrupteur (booléen) true / false true
Texte libre (zone de texte) Chaîne de caractères "Great service overall"
Groupe de questions Tableau de codes, un par sous-question (contrôle unique partagé) [1, 3, 2]
Question matricielle Tableau imbriqué de codes, lignes × colonnes [[1, 2], [3, 1]]

Mélange de personas → remplissage en masse → analyse

Section intitulée « Mélange de personas → remplissage en masse → analyse »

Démarche recommandée pour générer des données synthétiques avec des réponses par LLM :

  1. Composez votre mélange de personas — choisissez les profils à inclure et dans quelles proportions
  2. Appelez mass_fill_surveys avec distribution="llm" et les profils choisis
  3. Créez le jeu de données Bronze — extrayez les réponses brutes
  4. Appliquez le calage — pondérez les réponses pour qu’elles reflètent la structure démographique cible
  5. Exportez et analysez — CSV, XLSX, SPSS, Parquet, R ou JSON
# Enqueue the background fill task (returns immediately with a task_id)
result = mass_fill_surveys(
campaign_id="campaign-uuid",
distribution="llm",
profiles=["young_single", "married_family", "retired", "high_income"],
max_surveys=50,
)
# result = {"task_id": "...", "status": "pending", ...}
# Poll until terminal
while True:
status = get_task_status(task_id=result["task_id"])
if status["state"] in ("completed", "partial", "failed"):
break
sleep(5)

L’outil rend la main immédiatement ; la boucle de génération s’exécute comme tâche d’arrière-plan sur le worker propre de Portor. L’interrogation périodique renvoie status_text (par exemple "23 of 50 surveys processed"). Il existe trois états terminaux distincts : completed (toutes les enquêtes remplies), partial (un résultat mixte — le bilan du remplissage figure dans status_text, et un nouvel appel à mass_fill_surveys ne relance que les enquêtes non remplies) et failed (aucune enquête remplie, avec un last_error qui en donne la raison).

User: "Run a simulation of the NPS campaign with 50 respondents,
mostly young professionals and families, using LLM responses"
AI: Configuring simulation:
Campaign: NPS Customer Satisfaction
Distribution: LLM (Claude Haiku)
Respondents: 50 synthetic profiles
Persona Distribution:
- Young Professional: 40% (20 respondents)
- Family Oriented: 40% (20 respondents)
- Random: 20% (10 respondents)
Each survey will maintain conversation history for consistent responses.
Output:
- Bronze dataset (raw responses)
- Silver dataset (weighted)
- XLSX export
Start simulation?

À la fin de la simulation, vous obtenez :

Simulation Complete: "Q1 Satisfaction Test Run"
Surveys:
- Total: 100
- Completed: 98
- Terminated (screening): 2
Response Statistics:
- Average completion time: 6m 42s
- Questions answered: 1,470
- Skip rate: 8.3%
NPS Results:
- Promoters (9-10): 34%
- Passives (7-8): 41%
- Detractors (0-6): 25%
- NPS Score: +9
Demographic Distribution vs. Targets:
┌─────────────┬──────────┬──────────┬─────────┐
│ Factor │ Target │ Actual │ RMSE │
├─────────────┼──────────┼──────────┼─────────┤
│ Male │ 48% │ 47% │ 0.01 │
│ Female │ 50% │ 51% │ 0.01 │
│ Age 18-24 │ 15% │ 14% │ 0.01 │
│ Age 25-34 │ 25% │ 26% │ 0.01 │
│ Age 35-44 │ 25% │ 24% │ 0.01 │
└─────────────┴──────────┴──────────┴─────────┘
Overall Quality: ✅ Excellent (RMSE: 0.012)
Weighting Efficiency: 94% (Design Effect: 1.06)
Jeu de données Description Format
Bronze Réponses brutes, telles que collectées Parquet
Silver Réponses pondérées (calage appliqué) Parquet
Gold Données affinées, prêtes à l’export CSV, XLSX, SPSS

La génération par LLM de mass_fill_surveys repose sur un seul appel LLM sans état par question : le moteur askalot_ai.respondent_sim, invoqué directement par Portor plutôt que par l’exécuteur d’agents multi-tours. Ce choix est délibéré :

  • Portor dispose déjà de l’état de l’enquête en mémoire via FlowProcessor : inutile que l’agent repasse par des outils MCP pour interroger Portor
  • Chaque question correspond à un appel direct (« compte tenu de ce profil et des réponses déjà données, répondez à cette question »)
  • Pas d’appels MCP circulaires, une gestion des erreurs plus simple et une latence plus faible

Ce mécanisme est distinct de l’agent Répondant (le flux complete-survey), qui conduit une enquête complète tour après tour au moyen d’outils MCP et sert à la simulation de campagne : le remplissage en masse sacrifie cette profondeur agentique au profit du débit.

Aspect Configuration
Modèle Claude Haiku 4.5 (claude-haiku-4-5-20251001)
Nombre maximal de jetons 256 par réponse
Température 0,8 (variation naturelle)
Contexte Profil de persona + données démographiques du répondant + historique des questions-réponses

Au sein de mass_fill_surveys, les enquêtes sont remplies l’une après l’autre. Chaque enquête accumule son propre historique de questions-réponses, ce qui assure sa cohérence interne tout en la gardant indépendante des autres.

Les fichiers de profil sont des documents Markdown avec un en-tête YAML, montés dans les conteneurs Portor depuis le répertoire de prompts partagé askalot_ai. Les mêmes profils servent au mode LLM et au mode par règles.

Le mode LLM utilise uniquement Anthropic : Claude Haiku offre le meilleur compromis entre rapidité, coût et qualité pour générer des réponses d’enquête. Le service d’inférence local de la plateforme sert uniquement au plongement (embedding) des documents, pas à la génération de réponses.


  • Avant de lancer des campagnes coûteuses
  • Pour tester de nouveaux questionnaires
  • Pour former les analystes de données au pipeline
  • Pour valider des stratégies d’échantillonnage
  • Pour produire des données de démonstration destinées aux parties prenantes
  • Pas de véritables opinions : les données synthétiques reflètent des modèles de persona, et non des attitudes réelles
  • Cohérence ou diversité : les personas peuvent se montrer plus cohérents que de vraies personnes
  • Cas limites : les combinaisons de réponses inhabituelles peuvent être sous-représentées
  • Questions ouvertes : le texte généré par l’IA peut manquer d’une diversité authentique
  • Dépendance à une API : le mode LLM exige un fournisseur de raisonnement Anthropic API ou AWS Bedrock disposant d’identifiants valides, ainsi qu’un accès à Internet
  • Aucun signal de temps de réponse : les réponses générées sont enregistrées comme produites par une machine et sont délibérément exclues de la détection des répondants trop rapides (speeders) ; une campagne simulée ne fournit donc aucune distribution de durées exploitable — ce contrôle ne devient informatif qu’une fois que de vrais répondants ont répondu

Le mode LLM respecte le principe « aucun repli silencieux » de la plateforme :

  • Aucun fournisseur ou identifiants manquants : échec immédiat avant le traitement de toute enquête, avec l’indication de ce qu’il faut configurer
  • Erreurs d’API : les échecs d’enquêtes individuelles sont journalisés et signalés dans le résultat
  • JSON invalide renvoyé par le LLM : l’enquête échoue et est signalée dans le résultat. Les questions à texte libre font exception : la réponse du LLM y est enregistrée telle quelle
  • Aucune dégradation silencieuse : le mode ne bascule jamais en silence vers la génération par règles
  1. Utilisez le mode LLM pour la qualité — lorsque le réalisme des réponses compte (présentations, tests d’analyse)
  2. Utilisez le mode par règles pour la vitesse — lorsqu’il vous faut un gros volume rapidement (tests de charge du pipeline)
  3. Mélangez les personas — incluez le profil « random » pour plus de variété
  4. Comparez avec des enquêtes pilotes — confrontez les tendances simulées à de petits échantillons réels
  5. Documentez les données synthétiques — indiquez clairement que les jeux de données sont simulés