La façon dont les clients vous parlent a basculé. Les enquêtes ne représentent plus qu'environ 15 à 20% du feedback que reçoivent les entreprises, tandis que les appels, les chats et les avis pèsent à eux seuls près de 80%, et ce feedback indirect a bondi de plus de 60% en un an. L'essentiel de ce que vos clients disent vraiment arrive désormais en texte libre, écrit là où ils se trouvent, et la majeure partie n'est jamais lue par un humain ni catégorisée par une machine.
L'analyse de texte est la discipline censée combler cet écart : on pointe un moteur sur le texte non structuré, on récupère thèmes, sentiment et un sens des priorités. Le problème, c'est la taille même de la pile, et le fait qu'elle ne cesse de grossir : on estime que 80 à 90% des nouvelles données d'entreprise sont du texte non structuré, et il croît environ trois fois plus vite que les données structurées (Gartner). Chaque trimestre, l'écart entre ce que les clients ont écrit et ce que quelqu'un a lu se creuse, pendant que le discours marketing masque en silence la différence entre un outil qui produit un nuage de mots et un outil qui vous dit quel problème vous coûte des clients.
L'argent a suivi le problème. Le marché du traitement du langage naturel devrait atteindre environ 439,85 milliards d'euros d'ici 2030, avec une croissance de 38,7% par an (Grand View Research, 2025). Cet argent finance quantité de moteurs capables de résumer du texte. Bien moins savent le lire comme le ferait un analyste humain attentif : aspect par aspect, de la même façon à chaque fois, dans chaque langue où vos clients écrivent. À mesure que les scores d'enquête deviennent plus bruités et que les mots derrière eux portent davantage de sens, la qualité de votre moteur d'analyse de texte passe d'un confort à l'élément central de la décision.
La vraie question pour 2026 n'est donc pas quel outil sait résumer un tas de commentaires. Presque tous le savent. C'est lequel analyse le texte d'une façon sur laquelle vous pouvez agir, à laquelle vous pouvez vous fier dans le temps, et que vous pouvez défendre devant une direction sceptique.
Avant la liste, il vaut la peine d'être précis sur ce qui sépare une vraie analyse de texte d'un générateur de graphiques. Cinq critères font l'essentiel du travail :
Nous avons évalué le marché selon ces cinq critères, en regardant l'approche NLP sous-jacente plutôt que le vernis de la démo. Voici les 10 logiciels d'analyse de texte à retenir pour votre shortlist en 2026, classés selon leur capacité à transformer le feedback non structuré en action.
| Plateforme | Idéal pour | Approche d'analyse | Langues |
|---|---|---|---|
| Hello Customer | Le mid-market B2C qui veut de l'action, pas des rapports | Déterministe, sentiment par aspect et par sujet (ISAAC) | 30+ |
| Chattermill | Les marques digital-first analysant le feedback à grande échelle | Deep learning natif, ABSA plus GenAI (Lyra AI) | Multilingue |
| Thematic | La détection de thèmes ascendante avec impact métrique | Découverte de thèmes par LLM plus quantification d'impact | Multilingue |
| Qualtrics XM | La recherche et la méthodologie d'entreprise | Text iQ : cross-lingual, sentiment au niveau du sujet | 16 (sentiment), moins pour les sujets |
| Medallia | La capture de signaux omnicanale à grande échelle | Athena : modèles préconçus, NLU, root cause GenAI | Des dizaines |
| Goodays | Le retail et les réseaux multi-sites | Analyse sémantique et insights GenAI (Goodays Insight) | Large |
| Skeepers | Les avis vérifiés et l'UGC | Détection de thèmes et sentiment par IA sur les avis | Large |
| Eloquant | Les entreprises françaises (centre de contact + VoC) | IA sémantique des verbatims, hébergée en France | FR fort |
| InMoment | L'analyse de texte et de conversation combinée | NLP Lexalytics plus intelligence conversationnelle | 24 |
| Verint | L'analyse vocale et textuelle de centre de contact | Analyse vocale plus textuelle, unifiée | 77 et variantes |
Idéal pour : les entreprises mid-market B2C qui veulent transformer le feedback en texte libre en actions priorisées, et non en un tableau de bord de sentiment de plus à contempler.
Transparence totale : c'est nous. Nous nous plaçons en tête, et le reste de cette liste est écrit pour vous aider à juger honnêtement les alternatives, y compris là où elles nous battent. Nous gagnons cette première place sur une affirmation précise : notre analyse de texte est construite autour de la partie que la plupart des outils négligent, à savoir transformer le texte libre que les clients ont réellement écrit en une décision sur ce qu'il faut corriger en premier.
C'est le cœur de la catégorie, alors soyons concrets. La plupart des moteurs notent le sentiment au niveau du document : un seul label pour tout le commentaire. Notre moteur d'IA, ISAAC, lit le texte libre dans plus de 30 langues et note le sentiment par sujet, en descendant dans un arbre de sujets jusqu'à cinq niveaux de profondeur. Prenez un commentaire réel : "la caisse automatique a planté deux fois et Apple Pay ne marchait pas, mais le responsable du magasin a réglé ça." Un outil au niveau du document en fait une moyenne neutre et passe à la suite. ISAAC le découpe en aspects distincts, chacun avec son sentiment, pour que vous voyiez un bug de paiement et une récupération de service dans la même phrase, et que vous puissiez suivre "caisse" jusqu'à "caisse automatique" jusqu'à "paiement" au lieu de vous arrêter à un seul thème large. Cette lecture par aspect, sur plusieurs niveaux, c'est la différence entre savoir qu'un commentaire est "mitigé" et savoir exactement quelle partie pose problème.
Le déterminisme ressemble à un détail technique, jusqu'au jour où il faut défendre un chiffre. Repassez le même feedback dans ISAAC six mois plus tard, les catégories tiennent. Un grand modèle de langage généraliste résume le même texte différemment d'un passage à l'autre, ce qui casse en silence toute courbe de tendance bâtie dessus : votre thème "livraison" pourrait devenir "logistique" le trimestre suivant, et votre comparaison d'une année sur l'autre devient une fiction. Un moteur déterministe et entraîné pour la CX traite le même feedback de la même façon à chaque fois, ce qu'il vous faut quand vous suivez un sujet sur quatre trimestres ou expliquez un mouvement à une équipe financière qui va vous challenger.
Le feedback de chaque source arrive sous une seule taxonomie, pour qu'un avis Google, un verbatim NPS et une transcription d'appel soient catégorisés contre le même arbre de sujets plutôt que dans trois schémas séparés qui ne se réconcilient jamais. Par-dessus se trouve l'analyse d'impact, la fonction que les clients citent en premier. Elle place chaque sujet selon le sentiment et l'impact business, puis classe les corrections qui font le plus bouger votre score : "améliorez la livraison, attendez-vous à +16 points de CSAT." Une phrase qui parle à un directeur financier, et une liste de priorités sur laquelle un responsable opérations peut agir cette semaine, plutôt qu'un graphique qui confirme ce que tout le monde soupçonnait déjà.
Ask ISAAC est notre couche conversationnelle posée sur l'analyse. Au lieu de commander un rapport, vous tapez "quelles sont les principales plaintes dans nos magasins de Lyon ce trimestre ?" et vous obtenez une réponse tirée de votre propre feedback, avec les verbatims sous-jacents cités pour que vous puissiez vérifier la source. Cela fait passer le coût d'une question de suivi d'une semaine à une phrase.
Un moteur d'analyse ne vaut que ce que vous lui donnez. Nous ingérons le texte de tous les canaux attendus, et de quelques-uns où l'on ne peut pas lancer d'enquête : e-mail, site web, SMS, WhatsApp, QR codes, in-app et avis Google. Nous acceptons aussi les données d'enquêtes tierces exportées d'outils comme Qualtrics, et nous connectons à votre stack support via 40+ intégrations (Salesforce, Zendesk, Freshdesk, Intercom, Genesys, Slack, Teams, Snowflake). De là, les workflows de close-the-loop et les alertes en temps réel transforment un thème négatif en suivi attribué plutôt qu'en point de donnée, et le benchmarking CX compare vos sujets à ceux de vos concurrents à partir des avis publics.
Toute votre organisation peut se connecter et participer, pas seulement quelques utilisateurs nommés, et cela compte : l'insight textuel est gâché si seule l'équipe CX le voit. L'onboarding prend des semaines, et un nouvel utilisateur est productif en une journée. Pour les entreprises européennes : nous sommes certifiés ISO 27001 et pleinement conformes au RGPD, avec des données hébergées dans l'UE, et des données client qui ne servent jamais à entraîner des modèles tiers. Certains de nos clients qui bouclent la boucle aux niveaux client et management ont constaté 2,3% de churn en moins par an et 11% de revenu en plus.
Limitation : nous ne sommes pas conçus pour les déploiements à l'échelle Fortune 500 ni pour la pure étude de marché (l'enquête académique de 80 questions). Nous sommes faits pour les organisations qui veulent de la profondeur analytique sans le poids de l'implémentation.
Envie de le voir sur votre propre feedback ? Demandez une démo.
Idéal pour : les équipes CX et VoC des marques grand public digital-first qui veulent une analyse AI-native du feedback non structuré à grande échelle.
Si vous jugez cette catégorie purement sur le moteur d'analyse, Chattermill est le rival direct le plus proche d'un spécialiste. C'est d'abord une entreprise d'analyse de texte, et un outil d'enquête seulement très loin derrière, et la profondeur se voit. Son moteur de deep learning, Lyra AI, ne s'appuie pas sur une seule technique : il combine analyse de sentiment par aspect, analyse phrastique, clustering et IA générative, ce qui lui permet d'extraire un sentiment mitigé d'un seul commentaire et de regrouper la longue traîne de thèmes que vous n'auriez jamais pensé à définir. Il lit à travers enquêtes, avis, tickets, social, chat et appels, et les unifie en une vue combinée plutôt que d'analyser chaque silo isolément.
Pour une marque digital-first qui se noie sous le feedback non structuré, c'est l'attrait, et Chattermill est inhabituellement bon sur le dernier kilomètre que la plupart des outils sautent : relier les thèmes à la rétention et au revenu plutôt que de s'arrêter à un graphique de sentiment. Il a été reconnu Leader de l'analyse de feedback en 2025, ce qui reflète une réelle force technique.
Une réserve honnête : Chattermill n'est pas un Leader nommé dans le Magic Quadrant Gartner Voice of the Customer, ce qui compte pour les équipes achats qui s'ancrent sur ce document même quand la technologie sous-jacente est solide. Comme couche d'analyse pure, il suppose aussi que votre collecte est déjà réglée ailleurs ; il affine le texte que vous apportez plutôt que de le collecter pour vous.
Idéal pour : les équipes produit et CX qui veulent une détection de thèmes automatique et ascendante, avec un lien clair du thème à la métrique business.
Thematic emprunte délibérément une autre voie que la plupart des noms de cette liste. Plutôt que de vous faire construire une grille de codage au préalable, il utilise des LLM pour lire votre texte libre et découvrir les thèmes de façon ascendante : il fait remonter des catégories spécifiques et granulaires que vous n'aviez pas à prédéfinir, puis vous donne un éditeur visuel pour les affiner avec votre propre contexte métier. Ce flux "l'IA propose, l'humain arbitre" vous amène à un modèle de thèmes opérationnel en environ trois jours, ce qui est rapide pour un vrai travail de taxonomie sur mesure.
Sa fonction phare est la quantification d'impact : il vous dit non seulement qu'un thème grandit, mais de combien il fait bouger une métrique comme le NPS, si bien que "retards de livraison" cesse d'être une plainte pour devenir un frein mesurable sur le score. Il importe les verbatims depuis Qualtrics, Salesforce et SurveyMonkey, donc il se pose confortablement par-dessus ce que vous utilisez déjà pour collecter.
La réserve pour 2026 concerne la direction, pas la capacité. Thematic a été racheté par Stocktwits en 2025 et pivote vers la recherche d'investissement pilotée par l'IA, loin de la CX générale. Le produit fonctionne encore bien aujourd'hui pour l'analyse de feedback, mais un acheteur à horizon pluriannuel a intérêt à interroger directement la roadmap CX et l'investissement continu avant de s'engager. C'est de plus une couche d'analyse de texte, pas une suite VoC complète, donc elle s'appuie sur ces intégrations pour la collecte et sur vous pour l'action.
Idéal pour : les grandes entreprises qui veulent l'analyse de texte au sein d'une suite complète d'experience management couvrant CX, collaborateurs, produit et études de marque.
Qualtrics est le plus grand nom de la catégorie élargie et a été nommé Leader dans le Magic Quadrant Gartner 2026 des plateformes Voice of the Customer. Son moteur de texte, Text iQ, est plus capable que la plupart des acheteurs ne le réalisent : c'est un modèle cross-lingual basé sur des transformeurs qui attribue un sentiment au niveau du sujet (par aspect), et il y empile des enrichissements supplémentaires que la plupart des rivaux n'ont pas, en notant chaque réponse sur l'effort, l'émotion, l'intensité émotionnelle et l'actionnabilité. Pour des études multi-vagues et une rigueur de niveau académique, peu de solutions égalent cette ampleur.
Il y a une asymétrie linguistique à sonder en démo. Le sentiment de Text iQ est optimisé pour une seizaine de langues, mais la détection automatique de thèmes en couvre moins, environ huit à dix. Si une part significative de votre feedback est, disons, en finnois ou en grec, confirmez exactement ce que le moteur fait dans cette langue plutôt que de vous fier au chiffre affiché.
En mai 2026, Qualtrics a finalisé son acquisition de 6,75 milliards d'euros de Press Ganey Forsta, ce qui réunit Forsta et InMoment sous le même toit. Cette consolidation est à garder en tête, car InMoment figure plus loin dans cette liste, et elle concentre une part étonnante de la catégorie chez un seul propriétaire. Là où Qualtrics peine, c'est la complexité : les implémentations s'étalent souvent sur des mois et s'appuient sur des consultants. Pour une équipe mid-market qui veut surtout savoir quoi corriger, l'analyse peut sembler enfouie sous une plateforme conçue pour quelque chose de bien plus grand.
Idéal pour : les grandes entreprises qui veulent capter et analyser des signaux textuels sur tous les canaux possibles, des enquêtes à la voix, la vidéo et le social.
Medallia analyse le feedback à très grande échelle, et son moteur de texte, Athena, est une vraie force et non un ajout secondaire. Athena applique sujets, thèmes, sentiment et émotion nuancée (y compris l'empathie) sur des dizaines de langues, est livré avec des centaines de modèles sectoriels préconçus et d'ensembles de sujets pour que vous ne partiez pas d'une taxonomie vierge, et utilise la compréhension du langage naturel pour lire l'intention sans réentraînement constant. Sa couche GenAI permet à un utilisateur non technique de lancer une analyse de cause racine sur un sujet ou un changement de score, ce qui est réellement utile quand la question est "pourquoi ce chiffre a-t-il baissé ?"
Deux réserves pour 2026. La plateforme est faite pour les grandes entreprises : les délais sont longs. Et en avril 2026, Thoma Bravo a cédé Medallia à ses créanciers dans le cadre d'une restructuration de dette, ce qui pose des questions légitimes de continuité à mettre sur la table en phase d'évaluation. Certains utilisateurs signalent aussi le paradoxe classique de l'entreprise : tant de signal est capté et analysé que la priorité se perd, recréant le bruit que l'outil devait justement filtrer.
Idéal pour : les chaînes du retail et de la restauration qui veulent analyser le feedback au niveau de chaque point de vente et le mettre dans les mains des équipes locales.
Goodays (ex-Critizr), basé à Lille, est pensé pour les réseaux physiques, et son analyse de texte reflète cette vocation. Le module Highlight applique une analyse sémantique aux verbatims et fait remonter les sujets classés par importance, exprimés comme des thèmes lisibles par le terrain (#accueil, #disponibilité, #propreté), pendant que Goodays Insight, sa couche GenAI, hiérarchise les irritants selon leur impact business réel (NPS, fidélité, rétention, trafic). Pour le retail multi-sites en France, cet ancrage local et cette analyse au niveau magasin sont un vrai atout : l'insight n'atterrit pas dans un dashboard central, il arrive sur le bon point de vente.
Le revers : l'outil est centré sur les cas d'usage du retail et des réseaux physiques, et son analyse de texte sert d'abord l'action terrain plutôt qu'une VoC purement digitale ou SaaS disséquée en profondeur. Hors de ce périmètre, des spécialistes de l'analyse iront plus loin sur le texte lui-même.
Idéal pour : les marques retail et e-commerce centrées sur les avis vérifiés et le contenu généré par les utilisateurs (UGC).
Skeepers, acteur français, est l'une des principales plateformes européennes d'avis vérifiés, avec une suite UGC et influence solide. Côté analyse de texte, son IA détecte automatiquement les thèmes en inspectant l'ensemble des avis et en repérant les mots-clés liés à l'expérience d'achat et aux caractéristiques produit, avec une notation de sentiment (positif, négatif, neutre) que l'éditeur situe au-delà de 95% de précision sur ce périmètre. Elle résume les avis, assiste les réponses, modère et traduit, et la plateforme gère la syndication multi-marchés. Pour analyser un grand volume d'avis et y répondre, l'outil fait le travail.
Mais c'est avant tout une solution d'avis, d'UGC et de marketing, pas un moteur d'analyse de texte de close-the-loop en profondeur sur des canaux variés. L'analyse vit autour de l'avis client ; elle ne lit pas un ticket support ou une transcription d'appel avec la même finesse. Les retours sur la réactivité du support sont par ailleurs mitigés. Si votre besoin premier est l'analyse fine du texte libre cross-canal et l'action, regardez plus loin.
Idéal pour : les entreprises françaises (banque, assurance, énergie, secteur public) qui veulent réunir centre de contact (CCaaS) et analyse de la VoC.
Eloquant, basé en France, combine centre de contact, VoC et voix du collaborateur dans une même plateforme. Son IA sémantique traite de gros volumes de verbatims, mesure, regroupe et priorise les sujets cités, et établit si le contenu est positif, négatif ou neutre, le tout assorti de plans d'action. Détail qui compte pour les secteurs sensibles : les verbatims sont anonymisés automatiquement avant d'être soumis à l'IA, et le traitement se fait exclusivement sur des serveurs en France, à Paris. La société sert environ 35% du CAC 40 et fait partie du groupe Harris depuis fin 2025. Pour une entreprise française qui veut un acteur local, souverain et conforme, c'est un point fort.
Son périmètre est très centré sur la France, avec une présence limitée hors de l'Hexagone, et sa dimension centre de contact peut le rendre plus lourd qu'un outil d'analyse de texte pur. Comme couche analytique, il brille surtout là où la voix et le centre de contact dominent ; pour une VoC digitale multilingue à l'échelle européenne, d'autres iront plus loin.
Idéal pour : les entreprises de taille moyenne à grande qui veulent l'analyse de texte combinée à l'analyse de conversation et à la gestion de réputation au même endroit.
InMoment est l'un des rares noms ici dont le moteur de texte a son propre pedigree. Il possède Lexalytics, un spécialiste NLP de longue date, ce qui lui donne une analyse de texte native sur 24 langues et, fait rare, une option de déploiement on-premise pour les organisations qui ne peuvent pas envoyer leur texte dans le cloud. Cet héritage a été salué quand InMoment a été nommé Leader du Forrester Wave Text Mining and Analytics au T2 2024. À côté du moteur de texte, son intelligence conversationnelle lit les transcriptions d'appels pour la catégorisation, le contrôle qualité et l'alerting, un vrai avantage pour les programmes très orientés centre de contact où le feedback le plus franc est parlé.
La question ouverte, c'est la propriété. InMoment fait désormais partie du groupe Qualtrics, après l'acquisition par Qualtrics de sa maison mère Press Ganey Forsta en mai 2026, et Forrester a conseillé aux clients de s'attendre à un investissement autonome limité et à une migration probable vers Qualtrics avec le temps. La technologie est solide aujourd'hui, mais intégrez la consolidation dans toute décision pluriannuelle et posez des questions précises sur les engagements de roadmap avant de signer.
Idéal pour : les grandes entreprises et centres de contact où l'essentiel du feedback non structuré vit dans des conversations enregistrées plutôt que dans des cases d'enquête.
Verint est le choix de l'échelle pour le feedback parlé. Il transcrit et analyse les appels dans plus de 77 langues et variantes et traite de l'ordre de sept billions de mots par an sur l'ensemble de sa base clients, puis unifie cette analyse vocale avec l'analyse de texte issue du chat, de l'e-mail et du social pour que catégories, sentiment et alertes couvrent la voix et le texte dans une même vue. Il découvre aussi automatiquement catégories et thèmes à partir des appels, faisant remonter des tendances que vous ne saviez pas chercher. Si votre feedback le plus riche vit dans le centre de contact, peu d'outils lisent ce volume aussi en profondeur.
Deux points à peser. Verint est large et complexe, bâti autour du workforce engagement, ce qui le rend plus lourd et plus cher qu'un outil d'analyse de texte ciblé si vous voulez seulement lire des verbatims d'enquêtes et d'avis. Et en novembre 2025, Thoma Bravo a finalisé son acquisition de Verint pour environ 1,86 milliard d'euros, en le fusionnant avec Calabrio, avec le risque d'intégration et de transition que porte une opération de cette taille. Demandez où se situe la roadmap analytique au sein de l'organisation fusionnée.
Une chose dont cette catégorie ne fait pas la publicité : une bonne partie appartient désormais à une poignée de propriétaires. Après mai 2026, Qualtrics possède Text iQ, Forsta et InMoment, dont deux figurent ci-dessus. Thoma Bravo possède Verint (fusionné avec Calabrio). Medallia est entre les mains de ses créanciers après la restructuration d'avril 2026. Eloquant est passé dans le giron du groupe Harris fin 2025. Si vous shortlistez plusieurs suites d'entreprise, vous évaluez peut-être deux ou trois produits au même propriétaire ultime, aux roadmaps qui se recoupent. Rien de tout cela ne rend la technologie moins bonne aujourd'hui, mais cela change les questions à poser : quels produits reçoivent un investissement réellement nouveau, lesquels sont en mode maintenance silencieuse, et quel est le scénario de migration si votre moteur choisi est fondu dans un produit voisin. Les spécialistes indépendants, Chattermill et Thematic, esquivent la question de la consolidation mais portent leurs propres réserves (et pour Thematic un pivot stratégique). Il n'y a pas de repas gratuit ; il y a seulement une liste de questions plus claire.
Le meilleur outil dépend de l'endroit où votre analyse de feedback cale vraiment, et du type de texte que vous cherchez surtout à lire.
Si votre problème est "on a le texte mais on n'agit jamais dessus" : c'est l'écart que nous avons conçu Hello Customer pour combler, avec le sentiment par aspect, l'analyse déterministe et la priorisation par impact au centre plutôt qu'ajoutés après coup.
Si vous voulez un spécialiste pur de l'analyse AI-native : Chattermill et Thematic lisent tous deux le texte libre en profondeur, avec la question de roadmap de Thematic notée plus haut.
Si vous avez besoin de recherche et de méthodologie d'entreprise : Qualtrics XM offre la science d'enquête la plus profonde, avec Text iQ à l'intérieur.
Si votre feedback vit dans des conversations enregistrées : Verint et InMoment mènent sur l'analyse vocale et conversationnelle, Verint à la plus grande échelle.
Si vous êtes un réseau retail multi-sites en France : Goodays et Eloquant sont ancrés localement, avec les périmètres notés plus haut.
Une fois le bon profil dégagé, quatre filtres techniques séparent vraiment le marché pour l'analyse de texte. Utilisez-les comme questions de démo, pas comme cases à cocher de brochure :
Sentiment par aspect ou au niveau du document. Donnez à l'outil un commentaire délibérément mitigé et regardez ce qu'il en fait. S'il renvoie un score unique pour une phrase qui loue une chose et en critique une autre, il lit au niveau du document et aplatira l'essentiel de votre feedback réel. Les moteurs par aspect notent chaque sujet du commentaire séparément, et c'est tout l'intérêt de l'exercice.
Déterminisme et précision mesurée. Si le moteur est un grand modèle de langage brut, le même texte peut être catégorisé différemment lors d'un second passage. Pour un reporting de tendance défendable, demandez si l'analyse est constante dans le temps, et demandez comment la précision a été mesurée plutôt que d'accepter un chiffre sur une diapositive. Un éditeur qui annonce "plus de 80% sur les langues supportées" est plus honnête qu'un autre qui promet 99%.
Profondeur linguistique, pas nombre de langues. Confirmez non seulement combien de langues un outil affiche, mais ce qu'il fait vraiment dans chacune : sentiment complet et détection de thèmes, ou sentiment seul. Une couverture superficielle de votre deuxième marché est un vrai angle mort, et les chiffres affichés le cachent souvent.
Une seule taxonomie sur toutes les sources. Un avis, un verbatim NPS et une transcription d'appel devraient être catégorisés contre le même arbre de sujets. Si chaque source utilise son propre schéma, vos thèmes ne s'aligneront jamais d'un canal à l'autre, et le reporting cross-canal se défait en silence.
La question à laquelle revenir sans cesse : cet outil va-t-il transformer les mots écrits par vos clients en une décision sur ce qu'il faut corriger ? Demandez une démo et nous ferons passer votre propre feedback en texte libre par ISAAC, en direct.
Le sentiment au niveau du document attribue un seul score à un commentaire entier, si bien qu'une remarque qui loue le personnel et critique la caisse se réduit à un unique label "neutre" et vous perdez les deux signaux. Le sentiment par aspect note chaque sujet du commentaire séparément, pour que l'éloge et la critique soient enregistrés tels quels. Notre moteur lit le sentiment par sujet, à travers un arbre de sujets jusqu'à cinq niveaux de profondeur, et c'est précisément ce qui vous permet de dire quelle partie d'un commentaire pose problème plutôt que de vous contenter de "mitigé".
La fiabilité dépend de l'approche, pas de l'argument marketing, et la couverture linguistique est rarement uniforme. Un grand modèle de langage générique sait résumer du texte, mais sa sortie change d'une exécution à l'autre, ce qui casse en silence toute tendance bâtie dessus. Un moteur déterministe et entraîné pour la CX comme ISAAC traite le même feedback de la même façon dans le temps et note le sentiment par sujet, dans plus de 30 langues à la même profondeur plutôt que de bien lire le seul anglais et de lister le reste. Méfiez-vous des éditeurs dont le nombre de langues couvre le sentiment mais pas la détection de thèmes. Le meilleur test : faites passer deux fois un lot de vos propres commentaires mitigés et vérifiez que les catégories tiennent.
Non. Tout l'intérêt d'un moteur entraîné pour la CX, c'est que la catégorisation, la notation du sentiment et la priorisation sont faites pour vous, de sorte qu'un responsable CX ou opérations peut lire la sortie sans data scientist dans la pièce. Avec Hello Customer, la taxonomie est mise en place pendant l'onboarding et Ask ISAAC répond à des questions en langage courant comme "quelles sont les principales plaintes dans nos magasins de Lyon ce trimestre ?", de sorte que l'insight ne dépend pas de quelqu'un qui aurait le temps d'écrire des requêtes.
Oui, et c'est dans cette combinaison qu'elle prouve sa valeur. Les données structurées (un chiffre NPS, une note en étoiles) disent que le score a bougé ; le texte non structuré (le verbatim, l'avis, la transcription d'appel) dit pourquoi. Une bonne analyse de texte lit le texte libre contre une seule taxonomie sur toutes les sources et relie les thèmes à la métrique structurée, pour que vous voyiez quel sujet tire le chiffre vers le bas plutôt que de deviner.
Un moteur faible fait la moyenne d'un commentaire mitigé jusqu'au neutre et perd les deux signaux. Un moteur solide découpe le commentaire en aspects distincts et note chacun, de sorte que "la livraison était en retard mais le support était excellent" est enregistré comme une plainte de livraison et un compliment de support, pas comme un match nul. C'est le test le plus utile pour comparer : donnez à chaque outil un commentaire vraiment mitigé et voyez s'il garde les parties séparées ou les aplatit.
Cela peut l'être. Après la consolidation de 2026, Qualtrics possède Text iQ, Forsta et InMoment, et d'autres noms de cette liste ont aussi changé de mains. Cela ne rend pas leur analyse moins bonne aujourd'hui, mais cela implique des roadmaps qui se recoupent et des migrations possibles. Si vous shortlistez des suites d'entreprise, demandez quels produits reçoivent un investissement réellement nouveau et ce qu'il advient de vos données et de votre taxonomie si votre moteur choisi est fondu dans un produit voisin.