ManyPerson - simulateur d’opinion de personas IA coréens basé sur le MDIS de Statistics Korea

• Service de simulation d’opinion avec des personas IA reflétant la démographie, la structure des ménages, les revenus, le patrimoine, l’endettement et la répartition des catégories professionnelles de la société coréenne, à partir des microdonnées MDIS de Statistics Korea

• Lorsque l’utilisateur saisit une question, le service sélectionne des citoyens IA correspondant aux critères, génère leurs réponses, puis analyse les résultats par avis pour/contre, choix de réponse, tranche d’âge, sexe, quintile de revenu, catégorie professionnelle, etc.

• Les CSV bruts du MDIS de l’Enquête 2025 sur les finances et le bien-être des ménages ont été parsés et joints à partir de 34 880 enregistrements de ménages maîtres et 69 929 enregistrements de membres du ménage, afin de constituer environ 41 000 personas coréens pour le service

• Gemini est utilisé pour générer des éléments absents des seuls codes de Statistics Korea, comme l’intitulé du métier, la personnalité, les loisirs, la ville d’origine et une présentation à la première personne, avec des contraintes pour éviter les incohérences entre revenu annuel, patrimoine, dette, métier et récit

• Au lieu de simplement demander une fois à un LLM « que répondraient 100 Coréens ? », le système fait répondre des personas fondés sur une distribution réelle, chacun avec son propre contexte et sa propre façon de parler, puis agrège les résultats avec des pondérations statistiques

Problèmes des simulations d’opinion classiques avec les LLM

Lorsqu’on demande directement à un LLM de « simuler l’opinion de 100 citoyens coréens », le résultat a tendance à être trop moyen, ou à se concentrer sur quelques métiers, régions et profils que le modèle connaît bien

• La structure réelle des ménages en Corée, les quintiles de revenu, les catégories professionnelles, les écarts entre zone métropolitaine et hors zone métropolitaine, ou des situations comme sans emploi, retraité, étudiant ou parent au foyer ne sont pas suffisamment reflétés

• En particulier, pour des questions où les différences entre groupes sont importantes — opinion, politiques publiques, réaction à un produit —, il est plus utile de comprendre « qui pense différemment et pourquoi » qu’obtenir « une réponse unique plausible »

• Par exemple, sur une même question de politique immobilière, un locataire sans logement d’une vingtaine d’années hors zone métropolitaine, un quinquagénaire propriétaire en zone métropolitaine et un septuagénaire retraité vivant de revenus locatifs peuvent juger la question sur des bases totalement différentes

• ManyPerson aborde ce problème en construisant d’abord ces différences dans les données de contexte des personas, puis en générant les réponses par-dessus

Sources de données et méthode de production

• Le pipeline de génération de personas est construit à partir des données 2025 de l’Enquête sur les finances et le bien-être des ménages du MDIS de Statistics Korea

• Les CSV du fichier maître des ménages et des membres du ménage sont joints via l’identifiant unique du ménage afin de créer des personas au niveau individuel

• Le sexe, l’âge, la relation au sein du ménage, l’état matrimonial, le niveau d’études final, le statut d’emploi, la grande catégorie professionnelle, la grande catégorie sectorielle, l’appartenance ou non à la zone métropolitaine, le type de logement, le nombre de membres du ménage et le quintile de revenu sont convertis à partir du codebook en valeurs lisibles par un humain

• Le revenu total du ménage, le revenu disponible, les dépenses de consommation, l’alimentation, le logement, l’éducation, les frais médicaux, le patrimoine total, la dette et le patrimoine net sont également conservés comme attributs des personas

• Le revenu du ménage n’est pas utilisé tel quel comme revenu individuel : un revenu annuel individuel estimé est réparti de manière heuristique selon que la personne est chef de ménage, conjoint, enfant, sans emploi ou retraitée

• Les pondérations statistiques de Statistics Korea sont stockées dans weight, ce qui permet de calculer non seulement le nombre brut de réponses, mais aussi des statistiques pondérées proportionnelles à la population

Génération des détails de persona

• Les données brutes du MDIS ne suffisent pas à expliquer « pourquoi cette personne parle ainsi » ; Gemini est donc utilisé pour générer des détails supplémentaires pour le service

• Les champs générés incluent un intitulé de métier précis, le MBTI, la personnalité, les loisirs, la ville d’origine et une courte présentation

• L’intitulé du métier et la présentation sont générés conjointement avec le revenu annuel, le revenu total du ménage, le patrimoine net, la dette, la grande catégorie professionnelle et le statut d’emploi afin d’en corriger le réalisme

• Avec un revenu annuel supérieur à 100 millions de wons, le système favorise des profils comme cadre dirigeant, profession libérale à haut revenu ou entrepreneur prospère, et évite de créer artificiellement un salarié quand le revenu annuel est de 0 won ou que la personne est sans emploi, retraitée ou enfant

• Quand les revenus et le patrimoine du ménage sont élevés mais que le revenu personnel est faible, le système reflète naturellement des contextes comme parent au foyer avec conjoint à hauts revenus, étudiant universitaire issu d’une famille fortunée, ou retraité vivant de revenus locatifs

• En cas de dette élevée, la présentation ou la personnalité sont conçues pour laisser apparaître une pression financière

• Le processus initial générait parfois des décalages entre données financières et récit, comme « cadre intermédiaire dans un cabinet d’avocats à faible revenu » ou « étudiant jobiste à haut revenu » ; un pipeline séparé de régénération Phase 2 a donc été utilisé pour recalibrer l’occupation/la bio d’environ 41 000 personas

• Les résultats générés ne sont pas conservés tous en mémoire avant sauvegarde : ils sont traités dans une architecture de streaming avec mise à jour individuelle dans PostgreSQL JSONB juste après la génération de chaque persona

• Même si un Pod tombe en panne en cours de route, les données déjà appliquées restent en place, et l’exécution peut reprendre avec le marqueur migrationPhase2

Parcours d’utilisation du service

• L’utilisateur saisit une question en langage naturel

• Gemini + search Grounding reformulent la question et, si nécessaire, recommandent un résumé du contexte et des conditions de filtrage

• Les personas cibles peuvent être filtrés selon le sexe, la tranche d’âge, la région, le quintile de revenu, le niveau d’études, la catégorie professionnelle, la taille du ménage, l’état matrimonial, etc.

• Les citoyens IA finalement sélectionnés répondent à partir de leur propre snapshot de persona

• Les réponses sont enregistrées immédiatement dans la base de données, ce qui permet d’en voir une partie en temps réel sur l’écran de progression

• Une fois l’opération terminée, le système calcule la distribution des réponses positives/neutres/négatives ou des choix à réponse fermée, et affiche également les résultats pondérés avec les coefficients statistiques de Statistics Korea

• Une analyse croisée est fournie selon des axes démographiques comme la tranche d’âge, le sexe, le quintile de revenu, le niveau d’études ou la catégorie professionnelle

• Le résultat final est publié sur une page partageable, où l’on peut consulter à la fois les cartes de réponse des personas individuels et les graphiques statistiques globaux

Exemples d’usage

• Évaluer rapidement comment des salariés de 20 à 39 ans en zone métropolitaine réagiraient à un nouveau service ou à une idée de produit

• Explorer sur des questions politiques ou sociétales quels arguments divergent selon la tranche d’âge, le quintile de revenu ou la catégorie professionnelle

• Recueillir l’évaluation de citoyens IA aux profils variés sur un texte publicitaire, une politique de prix, les priorités fonctionnelles d’une app, une offre d’emploi ou une lettre de motivation

• Avant de lancer une vraie enquête, repérer quelles questions sont ambiguës ou dans quels groupes les réactions risquent de diverger

Différences avec Nemotron-Personas-Korea

• Si Nemotron-Personas-Korea est un vaste dataset synthétique de personas coréens, ManyPerson est plus proche d’un service web qui transforme cette idée en un produit où l’on pose directement des questions et visualise immédiatement les résultats

• ManyPerson se concentre actuellement moins sur la diffusion d’un dataset public que sur l’expérience produit complète : constitution interne d’un pool de personas fondé sur des statistiques, échantillonnage selon la question de l’utilisateur, génération des réponses et analyse statistique

• Sa composition des données va au-delà d’un simple profil démographique et exploite activement les informations de revenus, patrimoine, dette et dépenses de consommation de l’Enquête sur les finances et le bien-être des ménages pour générer les personas et interpréter les résultats

Stack technique

• Serveur web basé sur Node.js, Express et EJS (pour aller vite dans le développement, certains modules sont simplement écrits en go)

• Stockage des personas, simulations, réponses et données de paiement/crédits dans PostgreSQL/Cloud SQL

• Les attributs étendus des personas sont stockés en PostgreSQL JSONB afin de gérer souplement le métier, le niveau d’études, le quintile de revenu, la ville d’origine, la personnalité et la présentation

• Utilisation de Valkey pour les files et le cache

• Exploitation séparée serveur/worker sur GKE Autopilot

• Utilisation des modèles de la gamme Gemini 3 et de Vertex AI Flex API pour générer les détails des personas et les réponses de simulation

• Streaming en temps réel de l’avancement de la simulation et des réponses récentes via SSE

Limites et points d’attention

• Les résultats de ManyPerson ne constituent pas un véritable sondage d’opinion, mais une simulation virtuelle fondée sur des personas IA

• Le système dépend du périmètre public et du niveau de détail des codes du MDIS de Statistics Korea ; des variables comme les micro-régions, l’orientation politique ou la notoriété d’un sujet d’actualité en temps réel nécessitent donc une estimation ou une saisie distincte

• Les détails générés par le LLM sont des informations synthétiques destinées à renforcer le réalisme, sans intention de ressemblance avec des personnes réelles

• Plus la taille d’échantillon est faible ou le filtre étroit, plus les résultats doivent être considérés comme un matériau exploratoire

• Malgré cela, il semble plus utile, comme point de départ, de créer d’abord une diversité de citoyens IA fondés sur des données démographiques et de ménage réelles puis d’agréger leurs réponses, plutôt que de demander à un seul LLM d’imaginer « l’opinion moyenne des Coréens »