Quand recourir aux données synthétiques

La plupart des équipes d’expérience client ne manquent pas de données. Ce qui leur manque, c’est l’accès à ces données. Les enregistrements capables de répondre à la question dorment dans des systèmes encadrés par le droit de la confidentialité, des contrats fournisseurs ou une équipe sécurité qui refuse par défaut. Résultat : le modèle attend, l’environnement de test reste vide, et l’enseignement qui aurait pu tomber ce trimestre n’arrivera, au mieux, que l’an prochain.

Les données synthétiques répondent précisément à ce blocage. Elles sont produites par un algorithme qui apprend la forme statistique des enregistrements réels, les distributions et les corrélations entre les champs, puis génère de nouveaux enregistrements fidèles à l’original mais qui n’appartiennent à aucune personne réelle.

Le basculement est déjà en cours

La tendance est assez nette pour que l’ignorer constitue un choix stratégique à part entière, et non une simple position d’attente.

Le marché confirme la dynamique. Grand View Research évalue le marché de la génération de données synthétiques à environ 218 millions de dollars en 2023, avec une projection de près de 1,8 milliard d’ici 2030, soit un taux de croissance annuel composé supérieur à 35%. Ces montants n’ont rien de spéculatif : ce sont des directions achats qui traitent désormais les données synthétiques comme une véritable infrastructure.

Quand elles s’imposent vraiment

Les données synthétiques valent l’effort dans une poignée de situations bien précises, et nulle part ailleurs.

1. Les données sont sensibles. Les enregistrements client contiennent des informations personnelles identifiables et des champs réglementés. Une copie synthétique conserve les relations dont les analystes ont besoin sans renvoyer à un individu réel, ce qui permet de développer et de tester sans jamais exposer les données de production.
2. Les données sont rares. Les moments rares mais décisifs, une réclamation pour difficultés de paiement, un appel de résiliation annonçant une attrition, un cas limite de fraude, n’apparaissent presque jamais dans les journaux. La génération synthétique procure au modèle assez d’exemples de cette traîne longue pour qu’il apprenne à les reconnaître.
3. Les données ne peuvent pas circuler. Quand des contrats ou une juridiction vous empêchent de partager des enregistrements réels avec un partenaire ou une équipe délocalisée, une version synthétique circule librement et débloque la collaboration.
4. La donnée réelle n’existe pas encore. Tester un nouveau produit, un nouveau parcours ou un nouveau canal avant son lancement, c’est avancer sans aucun historique sur lequel s’appuyer. Les scénarios synthétiques comblent ce vide, et le système est éprouvé avant même qu’un client n’y touche.

Les données synthétiques règlent un problème d'accès aux données, pas un problème de qualité. Si vos enregistrements réels sont bons et accessibles, utilisez-les.

Si tout cela tient, c’est que, dûment validée, une copie synthétique transporte le même signal que l’original. Dans une expérience contrôlée du MIT, les data scientists partis de jeux de données synthétiques ont obtenu, dans la plupart des tests, des résultats sans écart significatif avec ceux de leurs homologues travaillant sur des données réelles.

Quand s’en abstenir

L’erreur classique consiste à voir dans les données synthétiques un substitut sans contrepartie aux données réelles. Elles ne le sont pas. Le générateur peut passer à côté des événements rares qui comptent le plus, gommer les relations qui déterminent le résultat, ou reprendre à son insu les biais des données dont il a appris. Pour les décisions à fort enjeu, le crédit, l’éligibilité, tout ce qui engage les moyens de subsistance d’une personne, les données synthétiques ont leur place dans les tests, jamais dans le scoring en production.

La pression sur la confidentialité qui rend les données synthétiques séduisantes accroît aussi la tentation de brûler les étapes. Dans le benchmark 2025 de Cisco, près de la moitié des organisations admettent avoir saisi des informations personnelles ou non publiques dans des outils d’IA générative, et la quasi-totalité des répondants comptent réaffecter des budgets vers l’IA. McKinsey, de son côté, relève que 47% des organisations ont déjà subi au moins une conséquence négative liée à l’IA générative. La leçon n’est pas de lever le pied. C’est de valider.

Une méthode concise pour bien faire

1. Définissez ce que veut dire « assez bon » avant de générer quoi que ce soit. Rattachez ce seuil à une métrique en aval, la précision du modèle sur un jeu de données réelles tenu à l’écart, et non au réalisme apparent des enregistrements.
2. Adaptez la technique aux données. La simple perturbation, les modèles génératifs et les scénarios fondés sur des règles ne répondent pas aux mêmes problèmes. Choisissez selon le cas d’usage, pas selon la notoriété d’un outil.
3. Validez sur un jeu de données réelles tenu à l’écart. Contrôlez les distributions, les corrélations clés, et vérifiez qu’un modèle entraîné sur des données synthétiques tient la route face à des cas réels.
4. Documentez les limites et gardez l’humain sur les décisions à fort enjeu. Utilisez les données synthétiques pour compléter les données réelles, et non pour remplacer le jugement qui doit sous-tendre une décision affectant un client.

Employées ainsi, les données synthétiques excellent dans un domaine précis : elles font sauter le verrou de l’accès, pour que votre équipe puisse construire, tester et apprendre au rythme dont l’entreprise a réellement besoin. Les équipes gagnantes ne sont pas celles qui produisent le plus d’enregistrements synthétiques. Ce sont celles qui savent exactement quelles décisions exigent la donnée réelle.

Pour découvrir comment nous mettons cette discipline en pratique, explorez notre pratique Advisory et notre modélisation du Predictive Satisfaction Score, ou parcourez les études de cas.