347 avis Google déposés en un trimestre sur les dix points de vente d'une enseigne régionale. 89 tickets de support qui atterrissent chaque mois dans une boîte Zendesk partagée. 212 réponses à la dernière enquête NPS envoyée aux clients d'un SaaS B2B. Dans les trois cas, la question posée à la personne responsable est la même : qu'est-ce que les clients pensent vraiment, et sur quoi faut-il agir en priorité ? Et dans les trois cas, la réponse honnête est souvent "je ne sais pas, je n'ai pas eu le temps de tout lire".
C'est le paradoxe du feedback client en 2026 : plus une entreprise grandit, plus elle en reçoit, et moins elle a de chances de le lire dans son intégralité. Un responsable e-commerce qui reçoit 30 avis par semaine peut encore les parcourir un par un. Au-delà de 200-300 par mois, la lecture manuelle devient un choix — souvent celui de ne lire que les avis à une étoile, en ratant au passage les signaux faibles cachés dans des avis à trois ou quatre étoiles qui contiennent une vraie frustration non résolue.
L'analyse de sentiment automatisée répond exactement à ce problème : faire lire par une machine ce qu'aucun humain n'a le temps de lire en entier, et n'en remonter que la synthèse — combien de positifs, combien de négatifs, et surtout, quels thèmes reviennent le plus souvent dans chaque catégorie. Le sujet n'est pas nouveau : des outils comme MonkeyLearn en ont fait leur promesse dès le milieu des années 2010. Ce qui a changé en 2026, c'est le chemin le plus rentable pour y arriver — et ce n'est plus forcément celui qu'on croit en tapant "outil analyse de sentiment" dans un moteur de recherche.
Cet article détaille comment monter ce pipeline avec Make, ce que MonkeyLearn propose encore aujourd'hui sous propriété de Medallia (et pourquoi sa visibilité en ligne prête à confusion), une alternative française tout-en-un pour qui préfère ne rien construire soi-même, et surtout où la technologie bute encore — le sarcasme reste, débuts 2026, le point sur lequel même les meilleurs modèles trébuchent.
Sommaire
- 5 critères pour juger un pipeline d'analyse de sentiment tenable
- Make : l'orchestrateur qui classe avec le modèle IA de ton choix
- MonkeyLearn : ni mort ni florissant, le vrai statut en 2026
- Le pipeline complet : de l'avis brut à l'alerte Slack
- Écrire un prompt de classification qui tient dans le temps
- Ce que l'IA ne comprend toujours pas en 2026 : le sarcasme
- Cas concret : 347 avis trimestriels réduits à 12 minutes de lecture
- Make + IA vs MonkeyLearn vs Guest Suite
- Ce que ça coûte vraiment selon le volume mensuel
- Verdict : qui a vraiment besoin de ce pipeline ?
5 critères pour juger un pipeline d'analyse de sentiment vraiment tenable
- 1 Une catégorisation par thème, pas seulement par polarité : savoir qu'un avis est "négatif" sert à peu de chose ; savoir qu'il parle de "délai de livraison" permet d'agir.
- 2 Une gestion honnête du sarcasme et de l'ironie : "Bravo, encore un colis en retard" doit ressortir en négatif, pas en positif parce que le mot "bravo" y figure.
- 3 Un coût qui suit le volume réel, pas un forfait fixe surdimensionné : 50 avis par mois et 5 000 avis par mois n'ont pas le même budget optimal.
- 4 Une alerte sur les cas urgents, pas seulement un rapport hebdomadaire : un avis très négatif d'un client stratégique doit remonter dans l'heure, pas attendre le récapitulatif du vendredi.
- 5 Une trace exploitable dans le temps : un tableau de bord qui n'archive rien empêche de voir si un thème négatif s'aggrave ou s'améliore d'un mois sur l'autre.
Make : l'orchestrateur qui classe avec le modèle IA de ton choix
Make n'est pas un outil d'analyse de sentiment au sens strict — il n'a pas de modèle de classification propriétaire entraîné pour ça. Son rôle est différent et, pour beaucoup de PME, plus rentable : orchestrer la collecte des avis (Google, formulaire NPS, ticket de support, ligne de tableur), les envoyer à un modèle IA généraliste (OpenAI ou Claude) avec une consigne de classification précise, puis agréger le résultat dans un tableau de bord ou déclencher une alerte sur les cas urgents. Make propose même deux templates officiels prêts à l'emploi sur exactement ce cas d'usage : l'un branché sur MonkeyLearn, l'autre sur OpenAI/ChatGPT — signe que le besoin est identifié depuis longtemps dans son propre catalogue.
Le scénario type reçoit un nouvel avis (webhook Google Business Profile, ligne ajoutée dans Google Sheets, réponse à un formulaire Typeform), l'envoie à un module OpenAI ou Claude avec un prompt qui définit à la fois la polarité (positif/négatif/neutre) et un ou plusieurs thèmes prédéfinis (livraison, prix, qualité produit, service client, interface), puis écrit le résultat structuré dans une ligne de tableau de bord. Un routeur sépare ensuite les cas : polarité très négative + thème "service client" part immédiatement en alerte Slack ou email, le reste attend l'agrégation hebdomadaire.
Points forts
- Thèmes de classification entièrement personnalisables via le prompt — pas de catégories imposées par l'éditeur
- Choix libre du modèle IA (OpenAI, Claude, ou un modèle open source via API) selon le budget et la langue à traiter
- Orchestration multi-source : Google, formulaires, tickets support et emails dans le même scénario
- Deux templates officiels prêts à l'emploi pour démarrer sans partir d'une page blanche
Points faibles
- Aucune classification prête à l'emploi — le prompt et les catégories sont à définir et affiner soi-même
- Coût en crédits proportionnel au volume : pas de palier "illimité" comme un outil spécialisé
- Aucun tableau de bord visuel natif — l'agrégation et la mise en forme des résultats restent à construire (Sheets, Notion, Looker Studio)
Plan gratuit permanent, sans carte bancaire requise
Le plan Free (1 000 crédits/mois) suffit pour construire et tester le pipeline de classification décrit plus bas sur un petit volume d'avis, avant de passer au plan Core si le volume mensuel grimpe.
MonkeyLearn : ni mort ni florissant, le vrai statut en 2026
MonkeyLearn mérite un paragraphe à part, parce que sa situation en 2026 prête sincèrement à confusion — au point que plusieurs comparatifs et agrégateurs SaaS trouvés en recherche affirment purement et simplement que l'outil "a été discontinué et absorbé", alors que d'autres sources (aide en ligne active, fiche entreprise à jour) montrent un produit qui continue d'exister sous une forme réduite.
Les faits vérifiables : Medallia a racheté MonkeyLearn en février 2022 pour renforcer ses propres capacités d'analyse de texte côté expérience client entreprise. Depuis, MonkeyLearn a continué d'opérer comme marque semi-indépendante plutôt que d'être absorbée dans un produit Medallia unique — les données publiques les plus récentes évoquent une équipe d'une dizaine de personnes et environ 5,7 millions de dollars de revenu annuel en 2025. Sa page d'aide et son service support restent en ligne et actifs. Dans le même temps, sa visibilité marketing indépendante s'est nettement réduite depuis le rachat, ce qui explique que plusieurs sites d'agrégation le classent, à tort ou à raison, comme "discontinué" — un signal en soi : un outil dont même les trackers spécialisés doutent du statut n'est plus le premier choix pour un pipeline qu'on veut pouvoir maintenir sur plusieurs années.
Points forts
- Classification prête à l'emploi sans avoir à écrire un prompt — modèles pré-entraînés pour le sentiment, le NPS, le support
- Import CSV direct pour analyser un historique d'avis déjà collecté, sans pipeline à construire
- Intégration Make officielle existante (template n°3784), pas besoin de développer soi-même le connecteur
Points faibles
- Aucun plan gratuit permanent — seulement un essai limité dans le temps, avec un premier palier payant autour de 299$/mois
- Visibilité et investissement marketing réduits depuis le rachat par Medallia, avec un statut ambigu aux yeux même des sites de veille SaaS
- Documentation et communauté d'utilisateurs nettement moins actives qu'au pic de popularité de l'outil (milieu des années 2010)
Le pipeline complet : de l'avis brut à l'alerte Slack
Un scénario qui se contente de "coller un score positif/négatif dans une colonne" n'apporte pas grand-chose de plus qu'une lecture rapide. L'intérêt réel apparaît quand le pipeline classe par thème et route les cas urgents vers un humain sans attendre le rapport de fin de semaine. Le montage qui tient en production compte quatre briques.
Étape 1 — Collecte : centraliser tous les avis dans une seule source
Avant de classer quoi que ce soit, il faut réunir les avis dispersés entre Google Business Profile, une enquête NPS Typeform, des tickets de support et parfois un fichier Excel tenu à la main. Make se branche sur chacune de ces sources via ses connecteurs natifs (module Watch Reviews pour Google, Watch Responses pour Typeform, webhook pour un helpdesk) et écrit chaque nouvel avis dans une ligne unique d'un Google Sheets central, avec sa source d'origine.
Étape 2 — Classification IA : polarité et thème en un seul appel
Le texte de l'avis est envoyé à un module OpenAI ou Claude avec un prompt qui demande deux informations en même temps : la polarité (positif/négatif/neutre) et un thème parmi une liste fermée définie à l'avance (livraison, prix, qualité produit, service client, interface, autre). Demander les deux en un seul appel plutôt qu'en deux économise des crédits et garde la cohérence entre les deux classifications.
Étape 3 — Agrégation : un tableau de bord qui montre les tendances, pas juste des lignes
Chaque avis classifié atterrit dans un Google Sheets ou une base Notion, avec des vues agrégées (nombre d'avis négatifs par thème sur 30 jours, évolution du ratio positif/négatif d'un mois sur l'autre). C'est cette agrégation qui transforme une liste de 300 lignes en information exploitable pour une réunion d'équipe hebdomadaire.
Étape 4 — Alerte : ne pas attendre le rapport pour les cas urgents
Un routeur sépare les avis très négatifs sur un thème sensible (service client, sécurité, facturation) et les envoie immédiatement dans un canal Slack dédié ou par email au responsable concerné, plutôt que de les laisser attendre l'agrégation hebdomadaire. C'est la différence entre découvrir un problème le vendredi et le découvrir le jour même.
Écrire un prompt de classification qui tient dans le temps
La qualité du pipeline entier repose sur une seule chose : le prompt envoyé au modèle IA à l'étape 2. Un prompt vague ("dis-moi si cet avis est positif ou négatif") produit des résultats inconsistants d'un avis à l'autre, parce que le modèle doit deviner lui-même les catégories et les critères de décision. Un prompt structuré, qui fixe explicitement le format de sortie et la liste fermée de thèmes, produit des résultats bien plus stables d'un mois sur l'autre — ce qui compte justement pour comparer une tendance dans le temps plutôt qu'un instantané isolé.
Trois éléments distinguent un prompt qui tient dans la durée d'un prompt bricolé en cinq minutes. D'abord, une liste fermée de thèmes définie avec l'équipe concernée avant d'écrire la première ligne de scénario Make — improviser les catégories au fil des avis produit un tableau de bord illisible au bout de quelques semaines, avec autant de thèmes que d'avis traités. Ensuite, un format de sortie structuré (JSON avec des clés fixes : polarité, thème, score de confiance, extrait justificatif) plutôt qu'une réponse en texte libre — un format libre oblige à reparser manuellement chaque réponse, ce qu'un format structuré évite entièrement. Enfin, deux ou trois exemples concrets directement intégrés au prompt (few-shot), idéalement des avis réels de l'entreprise déjà classés à la main, qui ancrent le modèle sur le ton et le vocabulaire propres à l'activité plutôt que sur une notion générique de "positif" et "négatif".
Un exemple concret de structure de prompt qui fonctionne pour ce cas d'usage : demander explicitement au modèle de répondre uniquement au format JSON avec les clés polarite (positif/négatif/neutre), theme (parmi une liste fermée fournie dans le prompt), confiance (un score de 0 à 100) et extrait (la phrase de l'avis qui justifie la classification). Le champ "extrait" n'est pas cosmétique : c'est lui qui permet, au moment de la relecture humaine des cas à confiance faible, de comprendre en un coup d'œil pourquoi le modèle a tranché ainsi, sans devoir rouvrir l'avis complet à chaque fois.
Ce prompt mérite d'être révisé régulièrement, pas figé une fois pour toutes. Un thème qui apparaît de plus en plus souvent en "autre" (la catégorie fourre-tout) signale qu'un vrai sujet récurrent manque à la liste fermée initiale — le signal à surveiller n'est donc pas seulement la répartition positif/négatif, mais aussi le volume relatif de la catégorie "autre" d'un mois sur l'autre.
Ce que l'IA ne comprend toujours pas en 2026 : le sarcasme
C'est le point le plus souvent minimisé dans les argumentaires commerciaux d'outils d'analyse de sentiment, et pourtant documenté par la recherche : sur des données propres et à sujet unique, les modèles de type transformer dépassent aujourd'hui 96% de précision — un chiffre impressionnant qui donne l'impression que le problème est résolu. Mais dès que le sarcasme entre en jeu dans des données réelles et désordonnées, une étude a mesuré une précision de validation qui s'effondre à environ 36% — à peine mieux qu'un tirage au sort à trois issues (positif/négatif/neutre).
Concrètement, ça veut dire qu'un avis du type "Bravo, encore un colis perdu, quelle équipe formidable" a de bonnes chances d'être classé positif par un modèle qui s'arrête aux mots "bravo" et "formidable" sans capter l'ironie. Ce n'est pas un problème que la classification par thème évoqué plus haut résout automatiquement : un avis peut être parfaitement attribué au thème "livraison" tout en étant classé du mauvais côté sur la polarité.
- ❌ Faire confiance aveuglément au score de polarité sur un petit échantillon : sur moins de 50 avis par mois, une poignée de sarcasmes mal classés peut fausser complètement la tendance affichée.
- ❌ Ignorer les avis "neutres" : un avis correctement identifié comme neutre par la machine mérite souvent une relecture — le sarcasme finit fréquemment classé "neutre" par défaut plutôt que "positif" ou "négatif", ce qui le rend invisible dans un rapport qui ne suit que les deux extrêmes.
- ❌ Ne jamais faire relire un échantillon par un humain : sans vérification ponctuelle, impossible de savoir si le taux d'erreur réel de ton pipeline se rapproche des 96% du benchmark propre ou des 36% du cas réel avec sarcasme.
- ❌ Traiter tous les avis en français avec un prompt pensé en anglais : les nuances de politesse et d'ironie françaises ("c'est du beau travail, bravo") ne se traduisent pas terme à terme — le prompt doit être écrit et testé directement en français.
Cas concret : 347 avis trimestriels réduits à 12 minutes de lecture
Reprenons, à titre illustratif (scénario construit pour ce calcul, pas un cas client documenté), l'exemple du début : une enseigne régionale de dix points de vente qui reçoit 347 avis Google sur un trimestre, sans personne dédié à leur analyse.
Volume : 347 avis sur 3 mois, soit environ 116 avis/mois répartis sur 10 fiches Google Business Profile
Temps de lecture manuel estimé : 347 avis × 2 minutes de lecture et notation = environ 11h30
Personne dédiée disponible pour cette tâche : aucune, le community manager gère déjà 4 réseaux sociaux
Le pipeline Make collecte automatiquement chaque nouvel avis via le module Watch Reviews sur les 10 fiches, l'envoie en classification IA (polarité + thème parmi 6 catégories définies avec l'équipe : accueil, prix, propreté, produit, attente en caisse, autre), puis écrit le résultat dans un Google Sheets consolidé. Sur les 347 avis, 12 tombent sous le seuil de confiance de 70% (essentiellement des avis courts et ambigus, "bof", "moyen +") et sont marqués pour relecture manuelle — soit 24 minutes de lecture humaine ciblée, contre 11h30 de lecture exhaustive.
L'agrégation hebdomadaire révèle un signal que personne n'avait identifié à l'œil nu : le thème "attente en caisse" représente 31% des avis négatifs sur les deux derniers mois, contre 12% le trimestre précédent — une dégradation progressive, invisible avis par avis, mais nette une fois agrégée. Deux points de vente concentrent à eux seuls 60% de ces mentions.
Sans ce pipeline, la dégradation sur l'attente en caisse serait probablement restée invisible jusqu'à ce qu'elle se traduise en baisse de note moyenne globale — un signal beaucoup plus tardif et beaucoup moins actionnable qu'un thème identifié et localisé sur deux points de vente précis.
Make + IA vs MonkeyLearn vs Guest Suite
Une troisième route existe pour qui préfère ne rien construire soi-même et veut un outil français pensé pour la gestion d'avis de A à Z : Guest Suite, certifié NF Service Avis en ligne par l'AFNOR, qui centralise la collecte, la réponse assistée par IA et l'analyse sémantique des avis sur un tableau de bord unique, déjà utilisé par plus de 10 000 points de vente en France.
| Critère | Make + IA | MonkeyLearn | Guest Suite |
|---|---|---|---|
| Rôle | Pipeline sur mesure, classification par prompt personnalisé | Classification prête à l'emploi, modèles pré-entraînés | Plateforme tout-en-un gestion d'avis + IA |
| Thèmes de classification | Entièrement personnalisables via le prompt | Modèles configurables, moins souples qu'un prompt libre | Analyse sémantique propriétaire, thèmes prédéfinis par le secteur |
| Effort de mise en place | Élevé — scénario, prompt et tableau de bord à construire | Faible — modèle prêt à l'emploi, import CSV possible | Faible — plateforme clé en main, onboarding accompagné |
| Couverture | Toute source connectable à Make (Google, Sheets, tickets) | Toute source via API ou import fichier | Avis Google et principales plateformes sectorielles |
| Prix d'entrée | Gratuit en test, 10,59€/mois au-delà (Make Core) | Pas de plan gratuit permanent, à partir de 299$/mois | Sur devis via simulateur, pas de grille publique |
Guest Suite séduit par sa proposition tout-en-un pensée pour le commerce local et l'hôtellerie-restauration : pas de scénario à construire, une certification qui rassure sur la conformité de la collecte d'avis, et une équipe support francophone. Sa contrepartie : un pricing non public (simulateur en ligne, contact commercial nécessaire pour un devis exact) et une personnalisation des catégories d'analyse moins fine qu'un prompt Make écrit sur mesure pour un secteur atypique. MonkeyLearn reste pertinent pour qui veut un modèle de classification prêt à l'emploi sans écrire de prompt, mais son ticket d'entrée à 299$/mois le réserve à des volumes déjà conséquents.
Ce que ça coûte vraiment selon le volume mensuel
Le calcul dépend presque entièrement d'une seule variable : le nombre d'avis à classifier chaque mois.
| Volume mensuel | Make + IA | MonkeyLearn | Guest Suite |
|---|---|---|---|
| Faible (moins de 150 avis/mois) | Gratuit (Make Free suffit largement) | Essai limité, puis 299$/mois minimum — largement surdimensionné | Souvent hors cible commerciale (pensé pour des réseaux multi-points de vente) |
| Moyen (150 à 1 500 avis/mois) | 10,59€/mois (Make Core) + quelques euros de tokens IA selon le modèle | 299$/mois — devient compétitif si aucun prompt ne doit être maintenu | Devis généralement adapté à un réseau de points de vente, contact commercial requis |
| Élevé (1 500+ avis/mois, multi-sites) | 18,82€/mois (Make Pro) + coût tokens IA proportionnel au volume | Palier Enterprise sur devis, tarif non public | Palier réseau/enseigne, généralement le format le plus adapté à ce volume |
Sur un volume faible à moyen, le combo Make + modèle IA généraliste reste imbattable sur le plan strictement financier : quelques euros de crédits Make plus le coût des tokens du modèle choisi, largement sous la barre des 20€/mois pour un volume de quelques centaines d'avis. MonkeyLearn ne devient un calcul défendable qu'à partir du moment où son forfait fixe de 299$/mois revient moins cher que le temps passé à écrire et maintenir un prompt Make — un seuil qui, pour la plupart des PME de ce blog, se situe très haut en volume. Guest Suite, de son côté, vise structurellement un public différent : des réseaux multi-points de vente qui veulent une plateforme unique plutôt qu'un pipeline technique à opérer en interne.
Verdict : qui a vraiment besoin de ce pipeline ?
Toutes les entreprises n'ont pas besoin d'automatiser l'analyse de leurs avis. En dessous d'une trentaine d'avis par mois, un humain motivé peut encore tout lire à la main sans y perdre sa semaine.
| Profil | Recommandation | Pourquoi |
|---|---|---|
| Petite structure (moins de 50 avis/mois) | Lecture manuelle, pas de pipeline | Le temps de construction du scénario dépasse le temps gagné à ce volume |
| PME multi-canal (150-1 500 avis/mois), équipe technique dispo | Make + OpenAI/Claude | Coût minimal, thèmes personnalisables, contrôle total sur le prompt |
| Réseau multi-points de vente, pas d'équipe technique | Guest Suite | Plateforme clé en main pensée pour ce cas précis, certification NF Service |
| Entreprise avec volume déjà conséquent, veut éviter d'écrire un prompt | MonkeyLearn | Classification prête à l'emploi, mais seulement rentable à partir d'un volume qui justifie 299$/mois |
| Toute structure, quel que soit l'outil choisi | Relecture humaine systématique des cas à confiance faible | Le sarcasme et l'ironie restent, en 2026, le point aveugle documenté de tous les modèles de classification |
La vraie question n'est donc pas "quel outil analyse le mieux le sentiment dans l'absolu", mais "à partir de quel volume d'avis mensuels le temps de construction d'un pipeline sur mesure devient rentable face à un forfait clé en main". En dessous du seuil, une lecture manuelle ciblée sur les avis à une et deux étoiles suffit. Au-dessus, l'arbitrage se joue entre le contrôle total d'un pipeline Make et la simplicité d'une plateforme comme Guest Suite — mais dans tous les cas, aucun outil en 2026 ne dispense encore de faire relire par un humain les avis à confiance faible, ceux où le sarcasme a de bonnes chances de s'être glissé.
Questions fréquentes
MonkeyLearn est-il vraiment fermé en 2026 ?
Non, pas complètement : le produit reste accessible et son support en ligne actif sous propriété de Medallia (rachat de février 2022), avec une équipe réduite. Sa faible visibilité marketing depuis le rachat explique pourquoi plusieurs agrégateurs SaaS le listent, à tort, comme discontinué.
Faut-il utiliser OpenAI ou Claude pour la classification dans Make ?
Les deux fonctionnent pour ce cas d'usage ; le choix dépend surtout du coût par token et de la qualité déjà connue sur d'autres scénarios de l'entreprise. Le point qui compte plus que le choix du modèle : tester le prompt sur un échantillon d'avis réels en français avant de l'automatiser à grande échelle.
Pourquoi mes avis sarcastiques sont-ils mal classés ?
Parce que les modèles de classification, même performants sur des données propres (plus de 96% de précision en benchmark), chutent fortement face à l'ironie et au sarcasme sur des données réelles — une étude a mesuré une précision proche de 36% dans ce cas précis. La parade : router systématiquement les avis à score de confiance faible vers une relecture humaine.
Ce pipeline remplace-t-il un outil de réponse automatique aux avis Google ?
Non, ce sont deux briques complémentaires et distinctes : celui-ci analyse et catégorise ce que disent les clients pour dégager des tendances, tandis qu'un pipeline de réponse automatique (comme celui détaillé pour Make sur les avis Google) répond individuellement à chaque avis. Les deux peuvent tourner côte à côte dans le même scénario Make.
Combien coûte ce pipeline pour un volume moyen d'avis ?
Généralement sous les 20€/mois pour 150 à 1 500 avis mensuels (Make Core à 10,59€ plus quelques euros de tokens IA), contre un minimum de 299$/mois pour MonkeyLearn ou un devis sur mesure pour une plateforme comme Guest Suite.
Articles liés
- Make pour répondre aux avis Google automatiquement (2026) — la brique complémentaire qui répond individuellement à chaque avis plutôt que d'en dégager les tendances.
- Make pour alimenter son CRM depuis les emails (2026) — le même principe de classification IA appliqué à la capture de contacts entrants.
- Automatiser sa veille technologique avec Make (2026) — un autre pipeline Make combinant collecte automatisée et priorisation IA.
- Make AI Agents : quelle autonomie, quels risques (2026) — pour approfondir la question de la confiance à accorder à une classification automatique.
- CRM et marketing IA : le comparatif complet 2026 — pour resituer l'analyse de sentiment dans une stack CRM plus large.