Institut d'études de marché fondé sur l'IA · Zurich, Suisse

Études de marché et d'opinion, plus rapides et mieux ancrées.

Deux moteurs, une plateforme : de vrais répondants recrutés sur les réseaux sociaux, et des répondants simulés — avec un score qui dit auquel se fier.

Best of Swiss Web 2026

Best of Swiss Web 2026 – Innovation, bronze

Partenaires de recherche

Université de Bâle — partenaire de recherche

Johns Hopkins University

Partenaires stratégiques

gfs.bern — partenaire stratégique et investisseur

Soutiens

Innosuisse — agence suisse d'innovation, financeur

SICTIC — soutien (Boomerang Ideas figure dans le portefeuille SICTIC)

Adhésions

DGOF — Deutsche Gesellschaft für Online-Forschung, membre

Prix
Prix
Prix
Partenaire de recherche
Johns Hopkins UniversityPartenaire de recherche
Partenaire stratégique
Partenaire stratégique
Soutien
Soutien
Membre
Membre

Nos produits · deux offres

Études de marché pour instituts. Études de marché pour PME.

Pour instituts, agences et équipes insightsboomResearchDes études de marché complètes via de nouveaux canaux — recrutement, terrain, trackers, contrôle méthodologique total.boomResearch Pour startups et PMEboomerang.aiÉtudes de marché IA, abordables et rapides. Études simulées en 10 à 30 minutes — ancrées par de vrais répondants quand il le faut.boomerang.ai

Nos données

Deux moteurs, un questionnaire.

Human Sampling

De vrais répondants, recrutés là où ils sont déjà

81% ont passé les contrôles d'attention, contre 37 % sur un panel commercial — étude de validation II, Université de Zurich

Principe

Recrutés ad hoc sur Instagram, Facebook, TikTok, Snapchat, LinkedIn et WhatsApp — micro-ciblés pour chaque question, jusqu'aux groupes qu'aucun panel ne couvre.

Quotas croisés par âge, sexe et région, pilotés en direct par le moteur.
Incitations alignées sur un tarif équitable à la minute, versées après contrôle qualité.
Contrôles d'attention, speeders et doublons détectés à chaque terrain.

Comment il a été validé ↓

Silicon Sampling

Des répondants simulés, sur le même questionnaire

6.9/10 plausibilité moyenne en août 2026 — notée par un modèle juge indépendant

Principe

En clair : un modèle de langage, formé sur des décennies de données d'enquête représentatives et propriétaires d'instituts partenaires établis, joue les répondants. Techniquement, des grands modèles de langage (LLM) conditionnés par persona, affinés sur ces données — des décennies issues de gfs.bern — un appel au modèle par répondant synthétique.

Enquêtes suisses hors entraînement : recouvrement = 1 − moyenne.
Intégrité stricte : enquêtes contaminées écartées, questions déjà vues exclues.
Chaque simulation notée par Confidence Guard™ (0–10), déclarée comme telle, signalée dans chaque export, jamais mêlée à un échantillon humain.

Comment il a été validé ↓

Science d'abord

Valider d'abord, affirmer ensuite.

Human Sampling Silicon Sampling

2021Pré-étude, Université de Zurich

Treize sondages Boomerang sur sept mois (N entre 416 et 976), comparés à deux résultats de votations nationales et à un échantillon de contrôle d'un panel suisse établi. Sur 2 sondages politiques sur 3, Boomerang a prédit le résultat plus précisément que les sondages établis.

2023/24Étude de validation II de l'Université de Zurich — avec duel face à Qualtrics

Même questionnaire, notre terrain vs le panel commercial de Qualtrics, USA, 1'000 répondants chacun : 81% vs 37% ont passé les contrôles d'attention, 42% vs 20% ont fini les deux vagues.

12/2024Sondages de votation gfs.bern — pour la SSR, l'audiovisuel public suisse

Depuis décembre 2024, notre canal est la couche réseaux sociaux du terrain dans les sondages de votation à échantillon mixte de gfs.bern — leur prévision, notre terrain. Les votations fédérales ont lieu à quatre dates fixes par an au plus : chacune livre un résultat objectivement mesurable, pour comparer et calibrer.

2023Grand assureur, A/B — étude témoin

Face-à-face avec le propre terrain d'un client, sur son questionnaire, pour juger nos échantillons. Les résultats concordaient avec ses benchmarks internes et ont confirmé la plausibilité des échantillons réseaux sociaux comme des échantillons hybrides réseaux sociaux et panel — tous des répondants humains.

2024Swing state, présidentielle américaine 2024

0.25% d'écart avec le résultat présidentiel, contre une moyenne du secteur d'environ 3.6% — la précision venait de la couverture. Une élection : un cas, pas un taux d'erreur — analyse interne de notre propre enquête, pas une validation publiée.

2026Benchmark v1 — août 2026

Les distributions de réponses simulées couvrent en moyenne 82.6% de la distance aux réponses humaines, sur cinq enquêtes suisses hors entraînement.

en coursRecherche commune avec l'Université de Bâle & Johns Hopkins, CFF, gfs.bern

« Confidence-Driven Augmentation of Synthetic Survey Data », financé par Innosuisse, avec l'Université de Bâle, en collaboration avec Johns Hopkins University, avec les CFF et gfs.bern comme partenaires du projet. Recherche commune depuis le printemps 2026 ; première publication attendue au T1 2027.

Documentation de la méthode : Institutsprofil & Methodik (PDF). Rapports : Swiss Insights News #11 · Université de Zurich, pré-étude 2021 · Université de Zurich, étude de validation 2023/24

Notre qualité · Silicon Samples

Quel écart entre réponse simulée et humaine ?

Notre premier benchmark mesure l'écart entre la distribution des réponses de vraies personnes et celle que produit notre modèle en production.

82.6%

Modèle Boomerang — recouvrement moyen avec les distributions humaines

<52%

Score des modèles frontières non affinés au même test

Fig. 1 — Benchmark v1, août 2026. Recouvrement = 1 − distance de variation totale moyenne. Résultats globaux seulement, cinq enquêtes suisses réelles hors entraînement, modèle en production. Mesure la fidélité à l'enquête humaine, pas la justesse sur le monde, suivie à part. Notation par cohorte à venir. Méthode complète et tous les modèles dans la note technique.

Confidence Guard™

Une simulation qui répond toujours ne vaut pas grand-chose. L'utile, c'est de savoir quand ne pas s'y fier — chaque résultat porte donc un score de plausibilité, et la plateforme indique quand interroger plutôt de vraies personnes.

Plausibilité

0bas10haut

Attribué par un modèle juge indépendant.

Évalue la cohérence de chaque résultat simulé avec la question, le groupe cible et la logique de réponse. Il mesure la confiance dans la simulation, pas la justesse sur le monde.
La validation du critère par de nouveaux terrains humains est menée avec l'Université de Bâle et Johns Hopkins.
Escalade automatique par cohorte : en développement avec nos partenaires de recherche.

Chaque échantillon humain nourrit le modèle — d'où la courbe qui monte, creux compris. 5.6 → 6.9.

Fig. 2 — Plausibilité moyenne de toutes les simulations par mois, déc. 25 – août 26. Usage réel, pas de laboratoire : sujets libres, lancés par les utilisateurs eux-mêmes. Notée par rapport à chaque échantillon humain de notre terrain, anonymisé.

Notre philosophie

Des décisions éclairées, rapides et sûres — en toute situation.

Science d'abord
Validé, puis affirmé
Pas de boîte noire — limites signalées
Sobriété des données
Zéro bla-bla

Une recherche de qualité, simple, rapide et abordable — pour le marketing qui teste ses campagnes, le produit qui façonne ses fonctions, la direction qui valide une stratégie et les analystes qui prévoient les votations. La méthode suit la question ; l'exigence reste.

Notre institut

Un institut, trois missions.

Recherche

Recherche commune avec l'Université de Bâle et Johns Hopkins University, financée par Innosuisse. Deux études de validation antérieures avec l'Université de Zurich.

Méthodologie

Le socle commun : méthodes d'échantillonnage, standards de qualité, benchmarks et Confidence Guard™ — gérés une fois, utilisés par les deux offres.

Gouvernance

Boomerang Ideas pilote les deux offres — un standard scientifique, une éthique des données, quelle que soit la porte d'entrée du client.

Notre histoire

Une société de recherche au rythme d'une startup.

Boomerang Ideas AG, Zurich — fondée en 2021. Membre institutionnel de Swiss Insights, en partenariat stratégique avec gfs.bern et Panter, et une partie de l'échantillon des enquêtes SRG Trend de gfs.bern : la couche réseaux sociaux. Soutenue par Innosuisse, désormais dans une troisième étude en recherche commune avec les CFF, gfs.bern, l'Université de Bâle et Johns Hopkins University.

Une petite équipe, son propre terrain, son propre benchmark, sur des modèles que nous exploitons nous-mêmes — qui publie les échecs comme les réussites.

Partenaires & adhésions