Aller au contenu
Base de connaissances

Vue d'ensemble des fonctions assistées par l'IA

Askalot intègre l’assistance de l’IA à toutes les étapes de la recherche par enquête : vous concevez, menez et analysez vos enquêtes plus efficacement, sans renoncer à la rigueur mathématique formelle.

Les fonctions d’IA interviennent à chaque étape du cycle de vie d’une enquête :

1. Conception2. Campagne3. Collecte4. AnalyseArticle de rechercheAssistant de rechercheChapitres de l'article de rechercheConcepteurValidation SMTAssistant guidéConception de la stratégieGénération du vivierLancementRépondants réelsRéalisation de l'enquêteSimulation de personasJeu de données BronzeIndicateurs de qualitéAnalyste IARapport structuré
Fonction Étape Objectif Capacités clés
Génération de questionnaires Conception Transformer l’article de recherche en QML validé Agent Concepteur avec ses sous-agents de recherche, de planification, de rédaction et de relecture, indexation sémantique, validation SMT
Gestion des campagnes Campagne Guider la mise en place et le déroulement d’une campagne Parcours guidé, interface de chat, conception de la stratégie d’échantillonnage
Génération de réponses Collecte Simuler des campagnes avec des données synthétiques Profils de personas, réponses réalistes, test du pipeline
Analyse des résultats Analyse Évaluer la qualité des données et produire des rapports Représentativité de l’échantillon, indicateurs de qualité des réponses, rapports de l’Analyste IA
Fonctions d’IA et choix des modèles Toutes Référence : quel modèle exécute chaque fonction d’IA Embedding, détection de mise en page, OCR (prévu), extraction, reclassement, codage des questions ouvertes, raisonnement : ce que chacun exige et ce que vous pouvez choisir

L’assistance IA d’Askalot repose sur quatre agents principaux, chacun responsable d’une étape du cycle de vie de la recherche. Trois d’entre eux orchestrent des sous-agents spécialisés, des assistants ciblés auxquels ils confient une tâche unique et bien définie ; le Répondant, lui, travaille seul. Chaque agent fonctionne avec Claude et s’appuie sur les compétences méthodologiques condensées d’Askalot ; il consulte la bibliothèque d’ouvrages de méthodologie évalués par les pairs lorsqu’une question exige des sources citables.

Agent Étape Rôle Sous-agents spécialisés
Concepteur (Designer) Conception Transforme un article de recherche et les documents téléversés en questionnaire QML formellement vérifié : il étudie les sources, planifie la structure, rédige chaque section et relit la conception finale. Assistant de recherche : analyse les documents de référence et rédige l’article de recherche structuré
Planificateur QML : découpe l’article en un plan ordonné de chapitres
Rédacteur QML : écrit le QML formellement vérifié, un chapitre à la fois
Relecteur de conception : évalue la qualité de conception du questionnaire enregistré et sans erreur, puis rend une grille d’évaluation
Gestionnaire (Manager) Campagne Pilote le cycle de vie de la campagne : conception de la stratégie d’échantillonnage, génération du vivier de répondants, création de la campagne et suivi du terrain. Superviseur de terrain : surveille la collecte en cours (taux de réponse, couverture des segments, alertes qualité) et recommande d’ajuster les quotas, le ciblage ou le calendrier
Analyste (Analyst) Analyse Évalue les résultats collectés et rédige un rapport unique qui couvre à la fois la qualité statistique des données et leur capacité à répondre aux objectifs de recherche initiaux. Analyste qualité : évaluation statistique de la qualité des données (représentativité, efficacité de la pondération, qualité des réponses)
Évaluateur de recherche : confronte les résultats aux questions de recherche, aux critères de réussite et aux exigences de l’article de recherche
Répondant (Respondent) Collecte Remplit des enquêtes en tant que répondant simulé, en restant fidèle à un persona démographique et aux consignes destinées aux enquêteurs de l’étude ; sert aux tests, à la validation et aux démonstrations. (aucun : travaille seul)

Chaque agent principal décide quand passer la main : le Concepteur confie la recherche, la planification, l’inventaire du questionnaire et sa relecture, la rédaction et la relecture de conception à ses six spécialistes ; le Gestionnaire transmet les questions de terrain au Superviseur de terrain ; l’Analyste divise l’évaluation en un passage sur la qualité des données et un passage sur les objectifs de recherche, puis combine les deux. Confier le travail à des sous-agents ciblés préserve la précision du raisonnement de chaque agent et permet aux spécialistes de mobiliser des compétences pointues, propres à leur tâche.


Génération de questionnaires assistée par l’IA

Section intitulée « Génération de questionnaires assistée par l’IA »

Étape : Conception | Outil : Armiger

Transformez vos documents sources et votre article de recherche en questionnaires QML formellement vérifiés avec l’agent Concepteur et ses sous-agents spécialisés.

Au fil d’une seule conversation continue, le Concepteur fait appel à un Assistant de recherche qui analyse les documents téléversés (PDF, cahiers des charges, réglementations) et rédige un article de recherche structuré, à un Planificateur QML qui transforme l’article en un plan ordonné de chapitres, à un Rédacteur QML qui écrit un QML formellement vérifié un chapitre à la fois, en validant chacun avec le solveur SMT Z3, et à un Relecteur de conception qui évalue la qualité de conception du questionnaire terminé.

→ En savoir plus


Étape : Campagne | Outil : Targetor

Deux interfaces complémentaires pour mettre en place et gérer une campagne.

Un parcours guidé en plusieurs étapes, pensé pour les débutants :

  1. Conception de la campagne : nom, choix du questionnaire, mode de collecte
  2. Public cible : caractéristiques démographiques, taille de l’échantillon
  3. Stratégie d’échantillonnage : facteurs de stratification, distributions
  4. Vivier de répondants : génération du vivier et aperçu de sa qualité
  5. Vérification et lancement : récapitulatif, validation, déploiement

Une interface conversationnelle à la demande, pour les utilisateurs avancés :

  • « Fusionnez ces deux viviers pour avoir plus de répondants »
  • « Montrez-moi les enquêteurs dont le taux de réalisation est le plus faible »
  • « Créez un nouveau vivier avec uniquement les répondants de 25 à 34 ans »
  • « Comparez les taux de réponse entre les versions de la campagne »

→ En savoir plus


Étape : Collecte | Outil : MCP de Portor (mass_fill_surveys + get_task_status)

Générez des données d’enquête synthétiques pour les tests, la validation et les démonstrations. mass_fill_surveys met en file d’attente une tâche de fond, exécutée par le worker propre à Portor : l’outil renvoie immédiatement un task_id, et l’appelant interroge get_task_status jusqu’à un état final. L’outil propose quatre stratégies de distribution pour arbitrer entre rapidité et qualité des réponses :

Stratégie Moteur Rapidité Qualité Idéale pour
realistic Aléatoire pondéré Instantanée Moyenne Par défaut : réponses influencées par la démographie
random Aléatoire uniforme Instantanée Faible Tests de charge, découverte des cas limites
stratified Aligné sur les strates Instantanée Moyenne Échantillons équilibrés par quotas
llm Claude Haiku ~1 s/question Élevée Données synthétiques réalistes, démonstrations, présentations

Le mode llm produit les données synthétiques de meilleure qualité : Claude Haiku répond à chaque question en disposant du profil complet du persona, des caractéristiques démographiques du répondant et de l’historique des questions déjà posées et des réponses données, ce qui assure la cohérence au sein de l’enquête. Un répondant qui se déclare « sans emploi » ne décrira pas son lieu de travail plus loin.

Les modes à base de règles (realistic, random) procèdent par tirage aléatoire pondéré selon les traits du persona : plus rapides, ils conviennent aux tests de pipeline à grand volume, où la qualité des réponses compte moins.

→ En savoir plus


Étape : Analyse | Outil : Balansor

Évaluez la qualité des données d’enquête selon deux dimensions et produisez des rapports fondés sur la méthodologie.

Dimension Indicateurs Question posée
Représentativité de l’échantillon RMSE, MAE, khi-deux, écart maximal, score de qualité L’échantillon correspond-il à la population cible ?
Qualité des réponses Entropie normalisée, straightlining (réponses en ligne droite), alpha de Cronbach, biais d’acquiescement Les réponses sont-elles fiables et informatives ?

L’agent Analyste exécute les outils d’évaluation de la qualité via MCP, rassemble le contexte de la campagne et produit un rapport structuré :

  1. Synthèse : adéquation globale à l’objectif
  2. Représentativité de l’échantillon : détail par facteur, chiffres à l’appui
  3. Évaluation de la pondération : analyse de l’amélioration entre Bronze et Silver
  4. Principaux constats : observations fondées sur les données
  5. Recommandations : prochaines étapes concrètes, classées par priorité

L’agent s’appuie sur la méthodologie d’enquête établie (AAPOR, Kish, Groves, Krosnick, ESOMAR) et interprète les indicateurs statistiques dans le contexte concret de la recherche.

→ En savoir plus


Ancrage dans une méthodologie évaluée par les pairs

Section intitulée « Ancrage dans une méthodologie évaluée par les pairs »

Les agents Concepteur, Gestionnaire et Analyste d’Askalot consultent une bibliothèque commune de 24 ouvrages et articles de méthodologie d’enquête évalués par les pairs (Dillman, Krosnick, Groves, Tourangeau, Bethlehem, Heeringa, Schouten, Fowler, entre autres), qui couvre l’ensemble du processus de recherche — conception, échantillonnage, terrain, analyse, pondération — lorsqu’une question dépasse leurs compétences intégrées ou qu’une recommandation doit s’appuyer sur des sources citables.

Cette bibliothèque est une base de connaissances structurée en graphe, construite à partir du Markdown de chaque article extrait par Docling, stockée dans le moteur vectoriel et de graphe LightRAG et interrogeable selon cinq modes (mots-clés, centré sur les entités, centré sur les concepts, hybride et mixte). Lorsqu’ils s’en servent, les agents citent l’article, l’année et la section, afin que vous puissiez vérifier l’affirmation directement.

Agent Sujets pour lesquels il consulte la bibliothèque
Concepteur Validité et fiabilité (Taherdoost, Aithal), logique du questionnaire et filtres (Fagan & Greenberg, Elliott, Feeney & Feeney, Schiopu-Kratina, Manski & Molinari), formulation des questions et échelles de réponse (Krosnick, Bradburn, Fowler)
Gestionnaire Plan d’échantillonnage, stratification, échantillonnage en grappes, effets de plan et principes de la pondération (Heeringa, Bethlehem, Schouten), conception adaptative d’enquête
Analyste Erreur d’enquête totale (TSE), biais de non-réponse, calage et post-stratification, cadres d’évaluation de la qualité des réponses

La bibliothèque est consultée à la demande : pour les questions courantes, les agents s’en tiennent à leurs compétences condensées afin de limiter la latence, et ne puisent dans le corpus complet que lorsque le client demande une citation ou que la question sort du périmètre de la compétence.


Les fonctions d’IA s’enchaînent sans rupture :

Research Documents
↓ [AI Questionnaire Generation]
QML Questionnaire
↓ [AI Campaign Management]
Campaign with Sampling Strategy
↓ [Agentic Response Generation - optional]
Survey Responses (real or simulated)
↓ [AI Result Analysis]
Insights and Reports

Les assistants IA partagent le contexte tout au long du parcours :

  • L’analyse des documents par le Concepteur alimente sa génération de QML
  • La structure du questionnaire oriente les recommandations de stratégie d’échantillonnage
  • Les caractéristiques démographiques de la campagne guident le choix des personas pour la simulation
  • Les réponses à l’enquête alimentent directement les outils d’analyse
  • Les enseignements peuvent déclencher des améliorations du questionnaire (la boucle est bouclée)

Dans les organisations non privées, les documents indexés pour l’IA sont rattachés au projet actif : les matériaux de recherche restent dans le périmètre de l’équipe, et les sessions d’IA de chaque utilisateur s’ouvrent sur son projet par défaut. Dans les organisations privées, les documents indexés sont partagés à l’échelle de l’organisation (Partage des données au sein d’une organisation). Cette isolation s’applique à tout le parcours, de l’indexation des documents jusqu’à l’accès de l’agent Concepteur aux outils MCP lorsqu’il écrit et valide le QML.


Toutes les tâches des agents IA d’Askalot s’exécutent sur les modèles Claude d’Anthropic, auxquels la plateforme accède par l’une des deux passerelles suivantes :

Passerelle Modèles Idéale pour
API Anthropic Claude Opus, Sonnet, Haiku Clé facturée à l’usage
AWS Bedrock Claude Opus, Sonnet, Haiku Déploiements d’entreprise qui exigent les contrôles AWS IAM, VPC et de résidence des données

Vous fournissez vos propres identifiants d’API : aucune dépendance à un fournisseur au niveau du compte, et Bedrock permet aux entreprises de garder tout le trafic dans leur propre compte AWS. Vous choisissez explicitement votre fournisseur dans Paramètres du profil → Modèles IA.

Ici, « l’IA » n’est pas un modèle unique qui fait tout : l’embedding, l’analyse de la mise en page des documents et le reclassement des passages s’exécutent sur le matériel d’Askalot, tandis que le travail génératif s’exécute sur Claude via le fournisseur que vous avez choisi. Ce que vous pouvez configurer parmi ces fonctions, et ce qui se passe lorsqu’il manque des identifiants, est détaillé fonction par fonction dans Fonctions d’IA et choix des modèles.