Bonne décision, mauvais résultat : apprendre sans réécrire le passé
Une bonne décision peut mal finir
Supposons qu’un médecin doive choisir entre deux traitements. Avec les informations disponibles, le traitement A offre 90 % de chances de guérison avec un faible risque de complication grave. Le traitement B offre seulement 60 % de chances de guérison mais presque aucun risque de cette complication. Le médecin et le patient choisissent raisonnablement A. La complication rare survient. Était-ce une mauvaise décision ? Pas nécessairement. Une décision peut être parfaitement rationnelle et conduire à un mauvais résultat parce que décider sous incertitude signifie précisément accepter que plusieurs issues restent possibles. L’erreur consiste à confondre deux questions : « La décision était-elle raisonnable au moment où elle a été prise ? » et « Le résultat obtenu est-il satisfaisant ? » Ces deux questions sont liées, mais elles ne sont pas identiques.
Le résultat ne révèle pas automatiquement la qualité de la décision
Une loterie fournit l’exemple le plus évident. Acheter pour 10 000 euros de billets alors que nous ne pouvons pas nous permettre cette dépense peut être une très mauvaise décision. Si nous gagnons ensuite le jackpot, le résultat est excellent. Cela ne transforme pas rétroactivement la décision initiale en stratégie financière rationnelle. Inversement, une personne peut attacher correctement sa ceinture, respecter les limitations de vitesse et être malgré tout victime d’un accident provoqué par un autre conducteur. Le mauvais résultat ne prouve pas que sa conduite était mauvaise. Une décision doit donc être jugée en partie ex ante, c’est-à-dire à partir de ce qu’il était raisonnable de savoir avant de connaître le résultat.
Le biais de résultat
Les psychologues Jonathan Baron et John Hershey ont étudié ce qu’ils ont appelé outcome bias, ou biais de résultat. Lorsque nous connaissons l’issue d’une décision, nous avons tendance à laisser cette information contaminer notre jugement sur la qualité du choix initial. Une décision identique peut être jugée meilleure lorsqu’elle produit finalement un bon résultat et plus mauvaise lorsqu’elle conduit à une mauvaise issue. Pourtant, si les informations disponibles au moment du choix étaient exactement les mêmes, la qualité du raisonnement initial n’a pas changé. Le résultat fournit une information nouvelle. Il ne modifie pas magiquement les raisons qui existaient avant qu’il se produise.
Chance et compétence. Les résultats observés sont généralement produits par un mélange de plusieurs éléments : qualité de la décision ; qualité de l’exécution ; environnement ; réactions des autres acteurs ; hasard. La proportion varie selon les domaines. Dans un problème très déterministe, la qualité de l’action explique une grande partie du résultat. Dans un environnement fortement aléatoire, un excellent processus peut produire de mauvais résultats pendant un certain temps. Cette distinction est particulièrement visible dans les investissements. Un investisseur imprudent peut gagner énormément pendant une année grâce à une hausse exceptionnelle du marché. Un investisseur discipliné peut subir une perte ponctuelle malgré une stratégie raisonnable. Observer seulement le résultat empêche de distinguer compétence et chance.
Plus le hasard intervient, plus le résultat isolé est difficile à interpréter. Imaginons deux personnes jouant à pile ou face. La première choisit systématiquement pile. La seconde dispose d’une pièce truquée donnant face dans 70 % des cas et choisit face. Sur un lancer particulier, pile peut pourtant sortir. Si nous jugeons uniquement ce résultat, la première semble avoir eu raison. Mais avant le lancer, la seconde possédait clairement la meilleure stratégie. Ce raisonnement s’étend à de nombreux problèmes réels. La difficulté est que nous ignorons souvent exactement quelle part du résultat dépend de la chance. Une mauvaise issue doit donc déclencher une investigation. Elle ne doit pas produire automatiquement le verdict : « La décision était mauvaise. »
Le biais rétrospectif : « c’était évident »
Après qu’un événement s’est produit, il devient également difficile de retrouver l’incertitude qui existait auparavant. Baruch Fischhoff a montré expérimentalement dès les années 1970 ce phénomène devenu classique sous le nom de hindsight bias, ou biais rétrospectif. Une fois que nous connaissons l’issue, nous avons tendance à la percevoir comme ayant été plus prévisible qu’elle ne l’était réellement. Après une crise financière : « Il était évident que cette bulle allait éclater. » Après un accident : « On savait bien que cela finirait par arriver. » Après le succès d’une entreprise : « Son modèle était évidemment supérieur. » Mais avant l’événement, plusieurs scénarios étaient encore possibles. Connaître le résultat simplifie artificiellement le passé.
Reconstituer ce que nous savions réellement
Pour juger correctement une décision passée, il faut essayer de revenir à son contexte informationnel. Quelles informations étaient disponibles ? Quelles étaient les principales incertitudes ? Quelles hypothèses semblaient raisonnables ? Quels scénarios étaient envisagés ? Quelles probabilités étaient estimées ? Quelles contraintes existaient ? Quelles alternatives étaient réellement accessibles ? Cette reconstruction est difficile parce que nous possédons désormais des informations que le décideur n’avait pas. Il faut donc résister à la tentation d’utiliser rétrospectivement une information apparue plus tard comme si elle avait été évidente dès le départ.
« On aurait dû savoir » doit être démontré. Après une catastrophe, l’expression revient souvent : « On aurait dû savoir. » Elle peut être parfaitement justifiée. Mais elle doit être étayée. Il faut demander : Les données existaient-elles réellement ? Étaient-elles accessibles au décideur ? Étaient-elles suffisamment fiables ? Des personnes compétentes avaient-elles identifié le problème ? Le signal était-il distinguable du bruit à l’époque ? Cette méthode permet de différencier deux situations très différentes. Dans la première, le danger était raisonnablement imprévisible. Dans la seconde, des avertissements solides existaient mais ont été ignorés. Connaître cette différence est indispensable pour apprendre correctement.
Mauvais résultat et mauvaise décision peuvent évidemment coïncider. Séparer résultat et décision ne signifie pas qu’ils n’ont aucun rapport. Supposons qu’une entreprise investisse presque tout son capital dans un projet très spéculatif sans examiner les alternatives et sans prévoir ce qu’elle ferait en cas d’échec. Le projet échoue exactement pour une raison connue mais ignorée. Le mauvais résultat peut alors révéler un défaut réel du processus décisionnel. L’objectif n’est donc pas de protéger toute décision passée en déclarant : « Nous ne pouvions pas savoir. » Il est de distinguer : malchance malgré un processus raisonnable de erreur que le processus aurait raisonnablement dû prévenir.
Le résultat contient malgré tout de l’information. Une autre erreur consisterait à dire : « Puisque la décision était raisonnable ex ante, ce qui s’est passé ensuite ne doit rien changer à notre jugement. » Ce serait faux. Le résultat est une nouvelle donnée. Si un pont conçu selon un modèle considéré comme fiable s’effondre, il faut évidemment réexaminer le modèle. Si un médicament produit beaucoup plus d’effets indésirables que prévu, il faut mettre à jour l’évaluation de sa sécurité. Si une stratégie industrielle échoue systématiquement dans plusieurs contextes, il faut questionner les hypothèses utilisées. Le principe correct est donc : ne pas utiliser le résultat pour réécrire artificiellement ce qui était connaissable avant la décision ; utiliser le résultat pour améliorer ce que nous savons maintenant.
Juger le passé et préparer l’avenir sont deux tâches différentes
Après une décision, nous pouvons poser au moins deux questions. Question d’évaluation : la décision initiale était-elle raisonnable compte tenu des informations disponibles ? Question d’apprentissage : qu’avons-nous appris du résultat qui doit modifier nos prochaines décisions ? Une même situation peut donner : oui à la première ; et beaucoup de choses à changer à la seconde. Une décision peut avoir été parfaitement rationnelle en janvier puis ne plus l’être en juin parce que de nouvelles données sont apparues. Il n’y a aucune contradiction.
Cas pratique — Une épidémie émergente
Au début d’une nouvelle épidémie, les informations sont incomplètes. Supposons que les premières données suggèrent une maladie relativement transmissible mais dont la gravité réelle reste très incertaine. Une autorité choisit une mesure proportionnée à ce qu’elle sait alors. Quelques semaines plus tard, de nouvelles données montrent que la maladie est beaucoup plus grave que prévu. Il serait incorrect de conclure automatiquement : « Puisque la maladie était finalement grave, il fallait nécessairement prendre dès le premier jour les mesures maximales. » Il faut examiner ce qui était raisonnablement connaissable au moment initial. Mais la conclusion inverse serait tout aussi mauvaise : « Notre première décision était raisonnable, donc nous ne changeons rien. » L’apparition de nouvelles données doit conduire à réviser la décision. Évaluer correctement le passé et s’adapter au présent ne sont pas contradictoires.
Cas pratique — Une intervention chirurgicale
Un patient choisit une opération qui présente : 95 % de chances d’amélioration importante ; 4 % de risque de complication modérée ; 1 % de risque de complication grave. Le patient comprend les risques et choisit l’opération. La complication grave survient. Le dommage est réel. Mais il ne signifie pas automatiquement que l’opération constituait une mauvaise décision. Pour le déterminer, il faut revenir à plusieurs questions : les probabilités présentées étaient-elles correctement estimées ? les alternatives ont-elles été expliquées ? les préférences du patient ont-elles été prises en compte ? la procédure a-t-elle été correctement exécutée ? Un événement rare attendu n’est pas la même chose qu’une erreur.
Probabilité faible ne signifie pas événement impossible. Lorsque nous disons qu’un événement possède 1 % de probabilité, nous exprimons précisément qu’il peut se produire. Pourtant, lorsqu’il survient, nous sommes parfois tentés de conclure que l’estimation était nécessairement fausse. Ce raisonnement est incorrect. Si cent situations réellement comparables présentent chacune un risque de 1 %, observer environ un événement est parfaitement compatible avec l’estimation. L’évaluation d’une probabilité exige donc souvent plusieurs observations, pas un événement isolé. Une prévision probabiliste doit être jugée sur sa calibration dans un ensemble de situations comparables, lorsque ces données sont disponibles.
Une prévision à 70 % peut être correcte lorsqu’elle échoue. Supposons qu’un prévisionniste annonce régulièrement que certains événements ont 70 % de chances de se produire. Si les événements annoncés à 70 % se réalisent environ sept fois sur dix à long terme, il peut être remarquablement bien calibré. Pourtant, trois fois sur dix, son événement prévu ne se produira pas. Dire après chacun de ces échecs : « Il s’est trompé » est correct au sens où l’événement ne s’est pas produit. Dire : « Son estimation de 70 % était nécessairement mauvaise » ne l’est pas. Une prévision probabiliste n’est pas une prophétie binaire. C’est une estimation d’incertitude.
L’importance des séries de décisions
Lorsque les décisions sont répétées, leur qualité apparaît plus facilement. Un investisseur, un médecin, un prévisionniste ou une organisation prend de nombreuses décisions. Sur une seule décision, le hasard peut dominer. Sur une longue série, des différences de qualité du processus peuvent devenir plus visibles. Cela ne signifie pas que tout s’équilibre parfaitement à long terme. Les situations changent, les cas ne sont pas indépendants et certains événements sont uniques. Mais lorsque plusieurs observations comparables existent, il est généralement préférable d’examiner la série plutôt que l’anecdote la plus spectaculaire.
Le danger des récits de réussite. Les bons résultats peuvent être aussi trompeurs que les mauvais. Une entreprise adopte une stratégie risquée et connaît une croissance exceptionnelle. Un dirigeant devient célèbre. Des livres sont écrits pour expliquer les principes de son succès. Mais il existe peut-être cent entreprises ayant utilisé des stratégies similaires et disparu. Nous ne les voyons plus. Le résultat positif de la survivante peut alors être attribué à une méthode dont une grande partie du succès dépendait du hasard. C’est une manifestation plus générale du biais de sélection des survivants. Apprendre uniquement auprès des gagnants peut conduire à imiter les comportements qui ont survécu plutôt que ceux qui augmentaient réellement la probabilité de réussite.
Un bon résultat ne doit donc pas empêcher l’audit. Supposons qu’un chirurgien oublie une vérification de sécurité importante mais que l’opération se déroule parfaitement. Il n’y a aucun dommage. Pourtant, le processus comporte un problème. Attendre qu’une complication survienne avant de le corriger serait absurde. De la même manière, une entreprise peut contourner une procédure de sécurité pendant des années sans accident. Chaque succès apparent peut renforcer l’impression que la règle était inutile. Jusqu’au jour où les conditions défavorables se combinent. Une bonne organisation doit donc apprendre non seulement des accidents, mais aussi des presque-accidents.
Les presque-accidents. Un near miss, ou presque-accident, est une situation dans laquelle une erreur ou une défaillance aurait pu produire un dommage mais où celui-ci a été évité grâce au hasard ou à une dernière barrière de sécurité. Exemple : un mauvais médicament est préparé mais l’erreur est détectée juste avant l’administration. Aucun patient n’est blessé. Si l’on juge uniquement à partir du résultat, il ne s’est « rien passé ». Pourtant, le presque-accident contient une information précieuse : le système a permis à l’erreur d’approcher très près du dommage. L’analyse des presque-accidents permet d’apprendre sans attendre qu’une catastrophe rende le problème visible.
Processus, exécution et résultat
Pour analyser une décision après coup, il est utile de séparer au moins trois niveaux.
| Niveau | Question |
|---|---|
| Décision | Le choix était-il raisonnable avec les informations disponibles ? |
| Exécution | La décision a-t-elle été correctement mise en œuvre ? |
| Résultat | Qu’est-il finalement arrivé ? |
Ces niveaux peuvent produire différentes combinaisons. Bonne décision, bonne exécution, mauvais résultat : malchance possible. Bonne décision, mauvaise exécution, mauvais résultat : problème d’implémentation. Mauvaise décision, bon résultat : chance favorable. Mauvaise décision, mauvaise exécution, bon résultat : succès accidentel particulièrement dangereux à interpréter. Cette décomposition évite d’attribuer automatiquement tout résultat au choix initial.
Cas pratique — Un investissement public
Une ville construit un équipement sur la base de prévisions démographiques sérieuses. Cinq ans plus tard, une crise économique imprévue provoque un départ massif de population. L’équipement est sous-utilisé. Était-ce une mauvaise décision ? Il faut vérifier : les prévisions étaient-elles raisonnables ? des scénarios défavorables avaient-ils été envisagés ? le projet était-il robuste à une certaine baisse de fréquentation ? l’ampleur du choc était-elle raisonnablement prévisible ? Une mauvaise utilisation future ne suffit pas à démontrer que le projet était absurde au moment où il a été décidé. Mais elle peut révéler qu’une architecture plus modulable aurait été préférable. L’apprentissage peut donc porter sur la robustesse du processus, même si personne n’aurait pu prévoir précisément le choc.
Les décisions doivent parfois être jugées par leur méthode. Une organisation souhaitant apprendre doit pouvoir récompenser un bon processus même lorsqu’il produit occasionnellement un mauvais résultat. Sinon, elle crée une incitation dangereuse. Les décideurs vont chercher à éviter tout résultat susceptible de leur être reproché personnellement, même lorsque prendre un certain risque serait collectivement raisonnable. Ils peuvent également cacher l’incertitude afin de présenter leurs décisions comme plus certaines qu’elles ne le sont. Une culture décisionnelle saine doit permettre de dire : « La décision était raisonnable, l’issue a été mauvaise et nous devons néanmoins comprendre ce que nous pouvons améliorer. »
Mais le processus ne doit pas devenir une excuse. L’inverse serait également dangereux. Une organisation peut construire des procédures si complexes qu’il devient toujours possible de répondre après un échec : « Toutes les étapes ont été respectées. » Le respect formel d’une procédure ne garantit pas que la décision était bonne. Une checklist mal conçue peut être suivie parfaitement. Un modèle peut utiliser de mauvaises hypothèses. Une procédure peut avoir ignoré des informations importantes. L’évaluation doit donc porter sur la qualité réelle du processus, pas seulement sur sa conformité bureaucratique.
Tenir un journal de décision
Une méthode utile pour résister au biais rétrospectif consiste à conserver une trace des décisions importantes. Avant de connaître le résultat, nous pouvons noter : la décision prise ; les principales raisons ; les alternatives envisagées ; les probabilités estimées ; les hypothèses essentielles ; les éléments qui nous feraient changer d’avis. Quelques mois ou années plus tard, ce document fournit quelque chose que notre mémoire reconstruit mal : ce que nous pensions réellement avant de savoir. Un journal de décision n’a pas besoin d’être long. Son intérêt principal est de conserver l’état de l’incertitude avant que le résultat ne la fasse disparaître rétrospectivement.
Écrire des probabilités plutôt que des certitudes. Noter : « Je pense que ce projet réussira » est moins informatif que : « J’estime à environ 70 % la probabilité que le projet atteigne son objectif principal dans trois ans. » La seconde formulation force à reconnaître l’incertitude. Si le projet échoue, nous ne pouvons pas honnêtement prétendre que nous avions toujours considéré cet échec comme certain. Si nous répétons ce type d’exercice, nous pouvons également commencer à examiner notre calibration. La quantification ne doit évidemment pas être artificielle. Lorsque le chiffre n’est qu’une impression grossière, il faut le présenter comme tel. Mais une estimation explicite est souvent préférable à une certitude vague qui sera facilement réécrite après coup.
Faire un post-mortem sans tribunal improvisé
Après une décision importante, il peut être utile d’organiser un retour d’expérience. L’objectif devrait être de répondre à plusieurs questions : qu’avions-nous correctement anticipé ? qu’avions-nous mal estimé ? quels signaux avons-nous négligés ? quels éléments étaient réellement imprévisibles ? quelles parties du processus ont bien fonctionné ? que devons-nous modifier la prochaine fois ? Cette démarche est différente d’une recherche immédiate de coupables. La responsabilité peut évidemment devoir être établie lorsqu’il existe une faute, une négligence ou une dissimulation. Mais si chaque analyse se transforme instantanément en procès, les participants peuvent avoir intérêt à cacher précisément les informations nécessaires à l’apprentissage.
Séparer responsabilité et apprentissage. Il n’est pas nécessaire de choisir entre : « personne n’est jamais responsable » et « toute mauvaise issue doit avoir un coupable ». Une organisation peut rechercher les causes d’un échec tout en distinguant : erreur raisonnable ; erreur prévisible ; violation consciente d’une règle essentielle ; défaut systémique ; malchance. Cette distinction est particulièrement importante dans les systèmes complexes où plusieurs petites défaillances peuvent se combiner. Le but est de réduire la probabilité de répétition. Une explication morale simple n’est pas toujours une bonne explication causale.
Les contre-factuels doivent être utilisés avec prudence
Après un échec, nous pensons facilement :
« Si nous avions choisi B, tout se serait bien passé. »
Mais nous ne savons généralement pas ce qui serait réellement arrivé avec B. Nous observons le résultat de l’option choisie. Le résultat de l’alternative reste contre-factuel. Supposons qu’un gouvernement choisisse une politique A et qu’une récession survienne. Conclure que la politique B aurait évité la récession nécessite des arguments supplémentaires. Il ne suffit pas que A ait été suivie d’un mauvais résultat. Ce problème est fondamental en causalité : observer ce qui s’est produit ne révèle pas automatiquement ce qui se serait produit autrement.
Comparer aux prévisions, pas au monde imaginaire parfait. Une méthode plus rigoureuse consiste à comparer le résultat observé aux scénarios envisagés avant la décision. Le résultat se situe-t-il dans la gamme attendue ? Est-il beaucoup plus mauvais ? Pourquoi ? Une variable a-t-elle pris une valeur que nous avions considérée comme très improbable ? Avions-nous oublié un mécanisme important ? Cette comparaison est beaucoup plus informative que : « Cela s’est mal passé, donc il fallait faire autre chose. » Elle permet de détecter où le modèle du monde était insuffisant.
Les surprises sont particulièrement instructives
Lorsqu’un résultat se situe très loin de ce que nous pensions plausible, il mérite une attention particulière. Il existe plusieurs explications possibles : notre modèle était mauvais ; nos données étaient mauvaises ; un événement réellement exceptionnel s’est produit ; l’exécution a différé de ce qui était prévu ; nous avions sous-estimé notre incertitude. La surprise ne nous dit pas immédiatement laquelle est correcte. Mais elle constitue un signal : quelque chose dans notre représentation du problème mérite d’être réexaminé.
Une réussite surprenante doit être étudiée elle aussi. Nous analysons spontanément les échecs. Mais une réussite beaucoup plus forte que prévu est également informative. Pourquoi les résultats sont-ils deux fois meilleurs que nos prévisions ? Avons-nous sous-estimé un mécanisme ? Une circonstance exceptionnelle a-t-elle aidé le projet ? Peut-elle être reproduite ? Si nous attribuons automatiquement tout succès à notre compétence, nous perdons une occasion d’apprendre. Une culture rationnelle doit pouvoir dire : « Nous avons réussi, mais pas forcément pour les raisons que nous pensions. »
Ne pas punir l’incertitude honnête. Un décideur qui annonce : « Il existe environ 20 % de risque d’échec » peut sembler moins rassurant qu’un autre affirmant : « Cela fonctionnera. » Si le projet échoue, le premier risque pourtant d’être accusé de s’être trompé exactement comme le second. Une organisation peut alors encourager involontairement la surconfiance affichée. Pour mieux décider, il faut au contraire valoriser la capacité à exprimer honnêtement l’incertitude. Reconnaître une probabilité d’échec ne signifie pas manquer de conviction. Cela signifie représenter plus correctement la structure de la décision.
Une bonne décision doit rester critiquable. Juger ex ante ne signifie pas sanctuariser la décision initiale. Nous pouvons découvrir après coup que certaines informations étaient disponibles mais n’ont pas été recherchées. Que certaines hypothèses n’avaient jamais été testées. Que des alertes ont été volontairement écartées. Que la distribution des risques avait été minimisée. Dans ce cas, l’échec peut révéler une faiblesse réelle du processus. La bonne règle est donc exigeante dans les deux directions : ne pas condamner une décision uniquement parce qu’elle a mal tourné ; ne pas défendre une décision uniquement parce que l’incertitude existait.
Une grille d’évaluation après la décision
| Question | Ce qu’elle permet d’examiner |
|---|---|
| Quelles informations étaient disponibles au moment du choix ? | Évaluation ex ante |
| Quelles incertitudes avaient été reconnues ? | Honnêteté épistémique |
| Les alternatives pertinentes avaient-elles été examinées ? | Qualité du processus |
| Le risque réalisé avait-il été envisagé ? | Anticipation |
| La décision a-t-elle été correctement exécutée ? | Mise en œuvre |
| Le résultat relève-t-il en partie du hasard ? | Chance |
| Qu’avons-nous appris de nouveau ? | Mise à jour |
| Le même processus doit-il être modifié ? | Apprentissage |
| Aurions-nous pu raisonnablement savoir davantage ? | Prévisibilité |
| Sommes-nous en train de réécrire le passé parce que nous connaissons l’issue ? | Biais rétrospectif |
Cette grille permet de transformer l’évaluation d’une décision en exercice d’apprentissage plutôt qu’en simple commentaire du résultat.
La question essentielle : recommencerions-nous avec les mêmes informations ? Un test particulièrement utile consiste à demander : « Si nous revenions au moment de la décision avec exactement les informations disponibles à l’époque, prendrions-nous à nouveau cette décision ? » Si la réponse est oui, le mauvais résultat peut être compatible avec une bonne décision. Si la réponse est non parce que nous réalisons qu’une information déjà accessible avait été négligée, le processus mérite probablement d’être corrigé. Il faut ensuite poser une deuxième question : « Maintenant que nous disposons d’informations nouvelles, prendrions-nous encore la même décision aujourd’hui ? » Les réponses peuvent parfaitement être : oui pour la première ; non pour la seconde. C’est précisément ce que signifie apprendre sans réécrire le passé.
À retenir
Une bonne décision ne garantit pas un bon résultat, parce que décider sous incertitude signifie que plusieurs issues restent possibles. Inversement, un excellent résultat ne prouve pas que le choix initial était rationnel. Le biais de résultat nous pousse à évaluer la qualité d’une décision à partir de son issue. Le biais rétrospectif nous donne l’impression, une fois l’événement connu, qu’il était plus prévisible qu’il ne l’était réellement. Pour évaluer correctement une décision passée, il faut donc reconstruire ce qu’il était raisonnable de savoir au moment du choix. Mais le résultat ne doit pas être ignoré : il constitue une nouvelle information qui peut révéler une erreur de modèle, une mauvaise exécution, une incertitude sous-estimée ou simplement une issue rare mais attendue. La règle centrale peut être formulée ainsi : jugeons la décision passée avec les informations disponibles à l’époque ; utilisons le résultat pour améliorer les décisions futures.
Cette distinction permet à la fois d’éviter le procès injuste de toute mauvaise issue et l’excuse facile selon laquelle « personne ne pouvait rien savoir ». Elle prépare la dernière étape de cette catégorie : réunir tous les outils étudiés dans une méthode générale de décision sous incertitude, sans prétendre fabriquer un algorithme universel. Les erreurs de jugement qui faussent l’évaluation après coup, notamment le biais rétrospectif et le biais de résultat, sont approfondies dans la catégorie Biais cognitifs.
Sources et approfondissements
Jonathan Baron et John C. Hershey, « Outcome Bias in Decision Evaluation », *Journal of Personality and Social Psychology*, 1988. Étude classique montrant que la connaissance du résultat influence l’évaluation de la qualité d’une décision pourtant identique. Baruch Fischhoff, « Hindsight ≠ Foresight: The Effect of Outcome Knowledge on Judgment Under Uncertainty », *Journal of Experimental Psychology: Human Perception and Performance*, 1975. Travail fondateur sur le biais rétrospectif et la difficulté à retrouver l’incertitude qui existait avant de connaître l’issue. Daniel Kahneman, *Thinking, Fast and Slow*, Farrar, Straus and Giroux, 2011. Présentation accessible du biais rétrospectif, de l’illusion de compréhension et de notre tendance à construire après coup des récits cohérents à partir de résultats partiellement dépendants du hasard.
Philip E. Tetlock et Dan Gardner, *Superforecasting*, Crown, 2015. Ouvrage consacré à la prévision probabiliste, à la calibration, à la mise à jour des croyances et à l’évaluation des prévisions sur des séries de résultats plutôt qu’à partir d’un succès ou d’un échec isolé. James Reason, *Human Error*, Cambridge University Press, 1990. L’ouvrage aide à distinguer erreur individuelle, conditions organisationnelles, presque-accidents et apprentissage à partir des incidents.