La valeur de l’information : quand faut-il poursuivre l’enquête ?
Plus d’information n’est pas toujours une meilleure décision
Lorsque nous sommes incertains, notre premier réflexe peut être de chercher davantage d’informations. Lire une étude supplémentaire. Demander un nouvel avis. Attendre de nouvelles données. Commander une expertise. Réaliser un test. Comparer encore davantage d’options. Cette démarche paraît rationnelle. Et elle l’est souvent. Mais elle possède une limite importante : toute information n’a pas la même valeur pour la décision. Une information peut être vraie, intéressante et pourtant ne rien changer au choix final. Une autre, beaucoup plus modeste, peut au contraire faire basculer complètement la décision. La question pertinente n’est donc pas seulement : « Que pouvons-nous encore apprendre ? » mais : « Ce que nous pourrions apprendre a-t-il une chance réelle de modifier utilement notre décision ? » C’est l’idée centrale de la valeur de l’information.
Une information vaut par ce qu’elle permet de décider
Supposons qu’une entreprise hésite entre deux machines. La machine A coûte 100 000 euros et la machine B 150 000 euros. Un responsable propose de consacrer plusieurs semaines à déterminer avec beaucoup plus de précision la consommation électrique annuelle des deux équipements. Mais imaginons que, même dans les estimations les plus défavorables pour A et les plus favorables pour B, l’écart de consommation ne dépasse jamais quelques centaines d’euros par an. Cette information peut être intéressante. Elle n’est probablement pas décisionnellement importante. À l’inverse, si une incertitude concerne la durée de vie des machines et que B devient préférable dès lors qu’elle fonctionne deux années de plus que A, connaître cette durée de vie possède beaucoup plus de valeur. La valeur d’une information dépend donc moins de son intérêt intellectuel que de sa capacité à modifier le classement des options.
Une information parfaite n’a parfois aucune valeur. Imaginons que nous hésitions entre deux traitements. Toutes les estimations plausibles montrent que le traitement A est meilleur que B : il est plus efficace, moins dangereux et moins coûteux. Nous ignorons cependant exactement la probabilité d’un effet secondaire mineur : peut-être 2 %, peut-être 4 %. Supposons qu’une étude coûteuse puisse déterminer cette probabilité avec une précision parfaite. Cette information serait scientifiquement utile. Mais si A reste préférable dans les deux cas, elle n’a pratiquement aucune valeur décisionnelle immédiate. Nous connaîtrions mieux le monde sans nécessairement mieux choisir. Cette distinction est essentielle : valeur de connaissance et valeur de décision ne sont pas toujours identiques.
La connaissance peut posséder une valeur scientifique, culturelle ou morale indépendante de la décision. Mais lorsqu’on demande s’il faut retarder une action pour rechercher davantage d’informations, c’est surtout sa valeur pour le choix présent qui importe.
La valeur attendue de l’information
En théorie de la décision, l’idée peut être formalisée. Une information possède de la valeur lorsqu’elle permet de choisir différemment selon ce qu’elle révèle et que ces choix produisent en moyenne un meilleur résultat que la décision prise sans cette information. On peut résumer intuitivement : valeur de l’information = qualité attendue de la décision avec information − qualité attendue de la décision sans information. Si l’information ne peut jamais modifier notre choix, sa valeur décisionnelle est nulle. Si elle peut parfois nous éviter une erreur coûteuse, sa valeur peut être élevée. Cette logique fournit une manière rigoureuse de décider s’il vaut la peine de continuer à chercher.
Exemple simple. Une entreprise doit décider aujourd’hui entre deux projets. Le projet A rapportera 100 si la demande est forte et 40 si elle est faible. Le projet B rapportera 70 dans les deux situations. Les responsables estiment actuellement qu’il existe 50 % de chances de forte demande et 50 % de faible demande. La valeur attendue de A est : 0,5 × 100 + 0,5 × 40 = 70. B vaut également 70. Sans information supplémentaire, les deux projets sont donc équivalents selon ce critère. Supposons maintenant qu’une étude de marché puisse révéler avec certitude si la demande sera forte ou faible. Si la demande est forte, l’entreprise choisira A et obtiendra 100. Si elle est faible, elle choisira B et obtiendra 70. Avec information parfaite, la valeur attendue devient donc : 0,5 × 100 + 0,5 × 70 = 85. L’information augmente la valeur attendue de la décision de : 85 − 70 = 15. Dans ce cadre simplifié, il ne serait donc pas rationnel de payer plus de 15 pour obtenir cette information uniquement pour cette décision.
Ce raisonnement fournit une borne importante : une information ne devrait normalement pas coûter davantage que ce qu’elle peut permettre de gagner ou d’éviter.
Information parfaite et information imparfaite
Dans la réalité, les informations sont rarement parfaites. Un test médical peut produire des faux positifs et des faux négatifs. Une étude de marché peut se tromper. Une expertise peut réduire l’incertitude sans la supprimer. Un modèle météorologique peut améliorer une prévision sans devenir certain. On distingue alors la valeur de l’information parfaite, qui révèle exactement l’état du monde, de celle de l’information imparfaite, qui améliore seulement notre connaissance. Cette distinction est importante. L’information parfaite fournit une sorte de valeur maximale théorique : aucune information imparfaite portant sur la même question ne peut valoir davantage pour la décision que le fait de connaître parfaitement la réponse. Cela permet parfois d’arrêter immédiatement une recherche. Si même une information parfaite sur un paramètre ne changerait presque rien à la décision, il est inutile de dépenser beaucoup pour obtenir une estimation légèrement meilleure de ce paramètre.
Le coût de l’information
Chercher de l’information n’est jamais complètement gratuit. Le coût peut être financier : étude, expertise, test, enquête, recherche. Mais il peut également prendre d’autres formes : temps, attention, mobilisation de personnel, exposition à un examen médical, collecte de données personnelles ou retard de la décision. Une analyse sérieuse doit donc comparer : valeur probable de l’information et coût total nécessaire pour l’obtenir. Une étude de 500 000 euros peut être parfaitement rationnelle avant une décision engageant plusieurs milliards si elle possède une chance raisonnable d’éviter un très mauvais investissement. La même étude serait absurde pour choisir un équipement de 20 000 euros.
Le coût de l’attente. L’information possède souvent un coût supplémentaire : elle prend du temps. C’est particulièrement important lorsque la situation évolue pendant que nous cherchons. Un médecin peut obtenir un examen supplémentaire dans une semaine. Mais si l’état du patient risque de se dégrader rapidement, le véritable coût du test inclut aussi le délai. Une entreprise peut attendre six mois pour connaître les résultats d’une technologie concurrente. Mais l’occasion commerciale peut disparaître entre-temps. Une autorité peut attendre davantage de données sur une menace sanitaire. Mais si la menace est réelle, le nombre de personnes exposées peut augmenter. Le raisonnement devient donc : valeur de l’information supplémentaire contre coût de l’information + coût de l’attente. Cette comparaison explique pourquoi il peut être rationnel d’agir avec une information imparfaite.
Le meilleur test n’est pas toujours celui qui mesure le plus précisément. Imaginons plusieurs examens médicaux. Le premier est peu coûteux, disponible immédiatement et réduit modérément l’incertitude. Le second est très précis mais nécessite trois semaines. Le troisième est encore plus précis mais invasif et comporte un risque. Il serait incorrect de choisir automatiquement l’examen offrant la meilleure précision. La question est : « Quelle information améliore suffisamment la décision compte tenu de son coût, de son délai et de ses risques ? » Dans certains cas, un test imparfait mais rapide suffit pour choisir correctement. Dans d’autres, une information très précise est nécessaire parce que la décision qui en dépend est dangereuse ou irréversible. La valeur de l’information ne se confond donc pas avec la qualité statistique de la mesure.
Chercher l’information qui pourrait faire basculer la décision
L’analyse de sensibilité étudiée précédemment fournit un moyen puissant d’identifier les informations importantes. Supposons qu’une décision dépende de cinq paramètres :
- coût ;
- efficacité ;
- durée de vie ;
- probabilité de panne ;
- prix de maintenance.
L’analyse montre que la même option reste préférable pour presque toutes les valeurs plausibles des quatre premiers paramètres. En revanche, le choix change complètement selon que le coût de maintenance dépasse ou non 30 000 euros par an. Nous savons alors où concentrer l’enquête. La bonne question n’est plus : « Que pouvons-nous encore préciser ? » mais : « Pouvons-nous réduire suffisamment l’incertitude sur le coût de maintenance pour savoir de quel côté du seuil nous sommes ? » C’est une recherche beaucoup plus ciblée.
Les informations ont des rendements décroissants. Les premières informations sont souvent les plus utiles. Avant d’acheter une maison, vérifier la localisation, l’état général du bâtiment, le prix du marché et les principales charges peut énormément améliorer la décision. Passer ensuite plusieurs dizaines d’heures à analyser des différences minuscules entre des hypothèses secondaires apporte de moins en moins. Cette idée peut être décrite comme un rendement décroissant de la recherche d’information. Au début, chaque nouvelle donnée peut éliminer de grosses erreurs. Puis les incertitudes restantes deviennent plus petites ou moins pertinentes. Le coût marginal de la recherche peut alors dépasser le bénéfice marginal attendu. Cela fournit une règle d’arrêt : nous pouvons cesser de chercher lorsque le coût attendu de l’information supplémentaire dépasse l’amélioration attendue de la décision.
La certitude parfaite possède souvent un prix exorbitant. Nous cherchons parfois une certitude qui n’est pas nécessaire pour agir. Supposons qu’une estimation suffisamment solide place la probabilité d’un événement entre 70 et 80 %, et que la même décision soit préférable dans toute cette plage. Réduire l’intervalle à 74–76 % peut exiger énormément de travail sans apporter aucune amélioration pratique. Le problème n’est pas que cette précision soit scientifiquement inutile. Il est que la décision est déjà robuste à l’incertitude restante. L’autonomie intellectuelle exige donc aussi de savoir accepter : « Nous ne connaissons pas exactement la réponse, mais nous en savons suffisamment pour cette décision. »
Mais arrêter trop tôt peut aussi coûter cher
La règle inverse reste évidemment vraie. Une organisation peut agir trop vite parce qu’elle considère la recherche comme un obstacle bureaucratique. Une petite étude supplémentaire peut parfois éviter une erreur énorme. Supposons qu’une entreprise envisage une acquisition de 500 millions d’euros mais ignore un risque réglementaire capable de faire perdre la moitié de cette valeur. Une expertise juridique de 100 000 euros peut posséder une valeur considérable. La difficulté consiste donc à trouver le bon niveau d’enquête, et non à valoriser systématiquement la vitesse ou l’exhaustivité.
La paralysie par l’analyse. Lorsque la recherche d’information ne s’arrête plus, nous parlons parfois de paralysie par l’analyse. Le terme est souvent utilisé de manière vague, comme si réfléchir beaucoup était nécessairement un défaut. Ce n’est pas le cas. Certaines décisions méritent une analyse très longue. Le problème apparaît lorsque l’analyse supplémentaire ne possède presque plus aucune chance d’améliorer le choix, mais continue néanmoins à retarder l’action. Nous pouvons reconnaître cette situation lorsque :
- de nouvelles données ne changent jamais la conclusion ;
- les incertitudes restantes sont secondaires ;
- les meilleures options sont déjà robustes ;
- le coût de l’attente devient important ;
- nous recherchons implicitement une certitude impossible.
La question utile n’est donc pas : « Ai-je suffisamment réfléchi ? » mais : « Quelle information supplémentaire pourrait encore raisonnablement me faire changer de décision ? »
Une règle d’arrêt explicite
Pour éviter l’enquête sans fin, il peut être utile de définir avant la recherche ce que nous attendons d’elle. Par exemple : « Nous demanderons un second avis uniquement pour déterminer si le risque dépasse probablement 5 %. » « Nous étudierons trois offres supplémentaires, puis nous choisirons parmi les options restantes. » « Nous attendrons les résultats de l’étude annoncée le mois prochain, mais pas davantage sauf si elle révèle un signal nouveau. » La règle d’arrêt empêche que chaque nouvelle information génère automatiquement la demande d’une information supplémentaire. Elle transforme la recherche en processus orienté vers une décision.
L’information peut créer de nouvelles questions. Il existe toutefois une difficulté réelle : une enquête peut révéler une incertitude importante que nous ignorions auparavant. Un examen médical peut découvrir une anomalie inattendue. Une étude technique peut révéler un risque nouveau. Une enquête financière peut mettre au jour une dépendance cachée. Une règle d’arrêt ne doit donc pas devenir rigide. Elle signifie : « Nous arrêterons si rien de décisionnellement important n’apparaît. » Elle ne signifie pas : « Nous ignorerons toute nouvelle information parce que la date limite est arrivée. » La discipline doit rester compatible avec la révision.
Valeur de l’information et réversibilité
La valeur de l’information dépend aussi de la possibilité de corriger une décision. Si une décision est facilement réversible, nous pouvons parfois apprendre en agissant. Supposons qu’une entreprise hésite entre deux interfaces pour un site web. Au lieu de financer six mois d’études, elle peut tester les deux versions sur une petite partie des utilisateurs, observer les résultats puis modifier rapidement son choix. La réversibilité réduit ici le besoin d’information préalable. À l’inverse, lorsqu’une décision est irréversible, l’information obtenue avant l’engagement peut devenir beaucoup plus précieuse. Plus une erreur est difficile à corriger, plus la valeur de certaines informations préalables peut augmenter.
Agir peut lui-même produire de l’information
Nous avons souvent tendance à opposer : agir et chercher de l’information. Mais certaines actions produisent précisément l’information dont nous avons besoin. Un projet pilote fournit des données. Un traitement d’essai révèle une réponse. Une expérimentation technique mesure une performance réelle. Une politique temporaire permet d’observer certains effets avant un déploiement plus large. La bonne stratégie peut donc être : agir à petite échelle pour apprendre avant de décider à grande échelle. Cette logique combine valeur de l’information, réversibilité et décision adaptative.
Cas pratique — Faut-il commander un examen supplémentaire ?
Un patient présente une probabilité intermédiaire d’une maladie sérieuse. Trois options sont envisagées :
- traiter immédiatement ;
- ne pas traiter ;
- réaliser un examen supplémentaire.
L’examen possède une valeur uniquement s’il peut changer la décision. Supposons que le médecin traiterait de toute façon même si le résultat était négatif, compte tenu de la gravité de la situation. L’examen ajoute alors peu de valeur décisionnelle. À l’inverse, si un résultat négatif conduirait raisonnablement à éviter un traitement risqué tandis qu’un résultat positif le justifierait, le test peut être très précieux. Il faut ensuite intégrer son coût, son délai, ses erreurs possibles et ses effets indésirables éventuels. Le bon test n’est donc pas simplement le test le plus précis. C’est celui qui améliore suffisamment la décision pour justifier ce qu’il coûte au sens large.
Cas pratique — Une grande infrastructure publique
Un gouvernement envisage une infrastructure qui coûtera plusieurs milliards d’euros et fonctionnera pendant cinquante ans. La demande future est très incertaine. Une première étude montre que le projet est rentable si la fréquentation dépasse un certain niveau. Une étude supplémentaire pourrait améliorer l’estimation de cette fréquentation pour 5 millions d’euros. Ce coût peut sembler élevé. Mais si une information plus précise possède une chance significative d’éviter un investissement inutile de plusieurs milliards, elle peut être extrêmement rentable. À l’inverse, si toutes les estimations plausibles montrent que l’infrastructure sera nécessaire, même une étude parfaite sur la demande future possède beaucoup moins de valeur décisionnelle. Le montant absolu dépensé pour une information ne dit rien sans le comparer à l’enjeu qu’elle peut modifier.
L’information sur l’information. Nous pouvons même nous demander s’il vaut la peine d’étudier quelle information rechercher. Dans les décisions complexes, une petite analyse préliminaire peut identifier les paramètres dont la valeur d’information semble la plus forte. On évite ainsi de financer aveuglément des études sur ce qui est facile à mesurer plutôt que sur ce qui importe réellement. Cette démarche peut se résumer en trois étapes : 1. Quel paramètre pourrait faire basculer la décision ? 2. Pouvons-nous raisonnablement réduire son incertitude ? 3. L’amélioration attendue de la décision justifie-t-elle le coût et le délai de cette recherche ? C’est une manière particulièrement efficace de hiérarchiser l’effort intellectuel.
La valeur sociale de l’information peut dépasser une décision particulière. Jusqu’ici, nous avons surtout considéré la valeur d’une information pour une décision unique. Mais certaines recherches produisent des connaissances réutilisables. Un essai clinique coûteux peut améliorer les décisions pour des millions de futurs patients. Une étude géologique peut informer plusieurs projets. Une surveillance épidémiologique peut améliorer la préparation à des crises ultérieures. La valeur sociale de l’information peut donc être bien supérieure à sa valeur pour le décideur immédiat. Cette différence est importante lorsqu’il faut décider qui devrait financer la recherche. Une entreprise peut ne pas avoir intérêt à financer une information dont une grande partie des bénéfices profitera à toute la société. Une intervention publique ou collective peut alors être justifiée.
L’information peut aussi avoir des conséquences négatives. Plus d’information n’est pas toujours neutre. Recueillir des données médicales, financières ou personnelles peut porter atteinte à la vie privée. Un test peut provoquer de l’anxiété ou découvrir des anomalies dont la signification est incertaine. Une surveillance massive peut produire des coûts sociaux. Une information stratégique peut être utilisée par d’autres acteurs. L’analyse de la valeur de l’information doit donc inclure les conséquences de sa collecte et de son utilisation, et pas seulement sa capacité à réduire l’incertitude.
La recherche scientifique et la décision ne poursuivent pas toujours le même objectif
Pour la science, une question peut être importante même si sa réponse ne modifie aucune décision immédiate. Comprendre un mécanisme fondamental possède une valeur intellectuelle et peut produire des applications imprévisibles dans l’avenir. Une politique de recherche ne doit donc pas être réduite à la valeur décisionnelle immédiate. Mais lorsqu’un décideur affirme : « Nous devons attendre davantage d’études avant d’agir », la question de la valeur de l’information devient directement pertinente. Quelles études ? Qu’espérons-nous qu’elles nous apprennent ? Dans quel délai ? Et quels résultats changeraient réellement la décision ? Sans réponse à ces questions, « davantage de recherche » peut devenir une manière élégante de repousser indéfiniment un choix difficile.
À quel moment savons-nous assez ? Nous pouvons maintenant formuler une réponse plus précise. Nous savons assez pour décider lorsque les informations supplémentaires réalistement accessibles ont peu de chances d’améliorer suffisamment notre choix pour compenser leur coût et le coût de l’attente. Cela ne signifie pas : « Nous savons tout. » Cela signifie : « Notre ignorance restante n’est plus suffisamment importante pour justifier de retarder cette décision. » Cette distinction est centrale dans une épistémologie pratique. L’objectif n’est pas la certitude maximale. Il est une information suffisante relativement à l’enjeu.
Une grille pour décider s’il faut continuer à chercher
| Question | Pourquoi elle importe |
|---|---|
| Quelle incertitude voulons-nous réduire ? | Éviter une recherche vague |
| Cette incertitude peut-elle changer le choix ? | Valeur décisionnelle |
| Avec quelle probabilité l’information sera-t-elle réellement informative ? | Information imparfaite |
| Combien coûte son obtention ? | Coût direct |
| Combien coûte l’attente ? | Coût temporel |
| La décision est-elle réversible ? | Possibilité d’apprendre après l’action |
| Une expérimentation limitée est-elle possible ? | Apprendre en agissant |
| Avons-nous défini une règle d’arrêt ? | Prévenir l’enquête sans fin |
| La connaissance aura-t-elle d’autres usages futurs ? | Valeur sociale ou scientifique |
Cette grille transforme la question « faut-il encore réfléchir ? » en problème beaucoup plus précis.
La règle essentielle
L’idée la plus importante de cette fiche peut être condensée ainsi : une information supplémentaire est précieuse lorsqu’elle possède une chance suffisamment grande de modifier utilement notre décision. Cette valeur doit ensuite être comparée à ce qu’il faut dépenser pour l’obtenir et à ce qui se produit pendant que nous attendons. Cette règle évite deux excès opposés. Décider trop vite, alors qu’une information peu coûteuse pourrait éviter une erreur importante. Chercher indéfiniment, alors que la décision ne changera probablement plus.
À retenir
Toutes les informations n’ont pas la même valeur décisionnelle. Une information peut être scientifiquement intéressante tout en étant inutile pour un choix particulier. Inversement, une donnée très ciblée peut posséder une valeur considérable si elle détermine de quel côté d’un seuil se situe la décision. La valeur de l’information dépend principalement de sa capacité à améliorer le choix, mais aussi de son coût, du temps nécessaire pour l’obtenir, de sa fiabilité et de la réversibilité de la décision. La bonne règle n’est donc ni : « Décidons le plus vite possible » ni : « Attendons d’être certains ». Elle est : « Cherchons davantage lorsque l’information attendue possède une chance raisonnable de changer suffisamment la décision pour justifier son coût et le délai qu’elle impose. » Cette conclusion conduit naturellement à un problème plus général : même lorsque davantage d’analyse serait théoriquement utile, nous disposons de temps, d’attention et de capacités cognitives limités.
Une décision rationnelle doit donc parfois accepter une solution non parfaite mais suffisamment bonne. C’est l’objet de la prochaine fiche : « Rationalité limitée : décider suffisamment bien ».
Sources et approfondissements
Howard Raiffa, *Decision Analysis: Introductory Lectures on Choices Under Uncertainty*, Addison-Wesley, 1968. Ouvrage classique sur la théorie de la décision, incluant l’utilisation de l’information supplémentaire dans l’analyse des choix sous incertitude. Ronald A. Howard, « Information Value Theory », *IEEE Transactions on Systems Science and Cybernetics*, 1966. Contribution classique à la formalisation de la valeur de l’information dans l’analyse décisionnelle.
David M. Eddy, « Probabilistic Reasoning in Clinical Medicine: Problems and Opportunities », dans Daniel Kahneman, Paul Slovic et Amos Tversky (dir.), *Judgment under Uncertainty: Heuristics and Biases*, Cambridge University Press, 1982, p. 249-267. Le chapitre montre comment une information diagnostique doit être reliée à la décision clinique qu’elle peut modifier.
Elisabeth Fenwick, Lotte Steuten, Saskia Knies, Salah Ghabri, Anirban Basu, James F. Murray, Hendrik Erik Koffijberg, Mark Strong, Gillian D. Sanders Schmidler et Claire Rothery, « Value of Information Analysis for Research Decisions—An Introduction: Report 1 of the ISPOR Value of Information Analysis Emerging Good Practices Task Force », *Value in Health*, vol. 23, no 2, 2020, p. 139-150, doi : 10.1016/j.jval.2020.01.001. Présentation méthodologique de la valeur de l’information parfaite et partielle pour décider quelles incertitudes méritent davantage de recherche.
Karl Claxton et John Posnett, « An Economic Approach to Clinical Trial Design and Research Priority-Setting », *Health Economics*, vol. 5, no 6, 1996, p. 513-524 ; Karl Claxton et Mark Sculpher, « Using Value of Information Analysis to Prioritise Health Research: Some Lessons from Recent UK Experience », *PharmacoEconomics*, vol. 24, no 11, 2006, p. 1055-1068. Ces travaux relient le financement d’une étude à la valeur attendue de la réduction de l’incertitude.