Le biais de planification
Un projet doit être terminé dans trois semaines. Le calendrier paraît réaliste : quelques jours pour la première étape, une semaine pour la partie principale, plusieurs jours pour les corrections et une marge finale. Pourtant, les premières difficultés prennent plus de temps que prévu, une tâche oubliée apparaît, une personne devient indisponible et les corrections s’accumulent. Le projet est finalement terminé cinq semaines plus tard. Lorsqu’un nouveau projet commence, une nouvelle planification détaillée produit pourtant à nouveau une estimation proche de trois semaines. Le biais de planification, ou *planning fallacy*, désigne cette tendance à prévoir des délais excessivement optimistes pour ses propres tâches, y compris lorsqu’on sait que des projets comparables ont régulièrement pris davantage de temps dans le passé.
Dans son sens psychologique classique, le phénomène concerne avant tout l’estimation du temps nécessaire à l’accomplissement d’une tâche. L’expression est parfois utilisée plus largement pour désigner la sous-estimation des coûts, des difficultés ou des risques d’un projet. Cette extension est compréhensible, notamment en gestion de projet, mais il faut la manier avec précision : un dépassement de budget peut provenir d’un optimisme initial, d’une mauvaise information, d’événements réellement imprévisibles ou même d’une présentation stratégique volontairement avantageuse. Tout dépassement n’est donc pas la preuve d’un biais cognitif.
L’expérience classique : même le scénario pessimiste peut rester trop optimiste
Roger Buehler, Dale Griffin et Michael Ross ont fourni en 1994 l’une des démonstrations les plus célèbres du phénomène. Dans leur première étude, 37 étudiants en fin de cursus de psychologie devaient prévoir quand ils termineraient leur mémoire. Ils donnaient une estimation qu’ils jugeaient réaliste, puis une estimation dans le cas où « tout se passerait aussi bien que possible » et une autre dans le cas où « tout se passerait aussi mal que possible ».
Pour les 33 participants dont la date finale était disponible dans la période de suivi, l’estimation jugée la plus réaliste était en moyenne de 33,9 jours, alors que la durée effectivement observée atteignait 55,5 jours. Seulement 29,7 % terminaient avant la date correspondant à leur meilleure estimation. Plus étonnant encore, l’estimation dite pessimiste était de 48,6 jours : même en imaginant que les choses se déroulent aussi mal que possible, moins de la moitié des participants terminaient avant cette date.
Ce résultat ne signifie pas que leurs prédictions étaient dépourvues d’information. Les personnes qui prévoyaient davantage de temps avaient effectivement tendance à mettre davantage de temps : la corrélation entre estimation et durée réelle était élevée. Le problème portait sur le calibrage général : les estimations distinguaient assez bien les projets relativement courts des projets relativement longs tout en restant, en moyenne, trop optimistes.
Les études suivantes de l’article retrouvaient le phénomène sur différentes tâches académiques et quotidiennes. Au total, les cinq études impliquaient 465 étudiants. Il faut donc éviter la caricature « nous sommes incapables d’estimer le temps ». Nous pouvons parfois classer correctement les difficultés relatives tout en sous-estimant systématiquement le niveau absolu de temps nécessaire.
La vue interne : raconter comment le projet devrait se dérouler
Pourquoi une personne connaissant ses précédents retards recommence-t-elle à prévoir un délai optimiste ? Une explication centrale est ce que Kahneman et Lovallo ont appelé la vue interne (*inside view*). Pour prévoir l’avenir, nous construisons mentalement le déroulement du projet : première étape, deuxième étape, troisième étape, puis achèvement. Cette représentation est souvent détaillée et paraît concrète. Mais elle est essentiellement construite autour de ce qui doit se passer pour réussir, beaucoup moins autour de l’ensemble des perturbations possibles.
Les protocoles de verbalisation de Buehler et ses collègues montrent précisément que les participants produisaient principalement des scénarios tournés vers l’avenir lorsqu’ils estimaient leur temps de réalisation. Ils mobilisaient beaucoup moins spontanément leurs expériences passées comparables.
C’est une différence importante entre faire un plan et faire une prévision. Pour exécuter une tâche, il est nécessaire de penser aux étapes qui permettront de la réussir. Pour prédire la date réelle de fin, il faut également intégrer toutes les façons ordinaires dont ces étapes peuvent se décaler : interruptions, erreurs, révisions, dépendances, indisponibilités, découvertes tardives et difficultés que nous ne pouvons pas encore nommer individuellement.
La vue interne peut donc produire un paradoxe : plus le plan est détaillé, plus il semble plausible, sans que tous les événements susceptibles de le perturber aient été intégrés.
Nous connaissons souvent notre passé, mais nous l’expliquons comme exceptionnel
Ignorer les statistiques du passé ne signifie pas nécessairement les avoir oubliées. Nous pouvons savoir que nos cinq derniers projets ont pris davantage de temps que prévu et néanmoins considérer que cette information est peu pertinente pour le sixième.
La raison est facile à comprendre. Pour chaque retard passé, nous possédons une explication particulière : un ordinateur est tombé en panne, un collègue a répondu tardivement, nous avons été malades, le client a changé d’avis, une autre urgence s’est présentée. Chacune de ces causes paraît spécifique au projet précédent. Nous pouvons alors conclure : « Cette fois-ci, ce problème ne se reproduira pas. »
Les travaux de Buehler et ses collègues montrent que les participants avaient précisément tendance à attribuer les retards passés à des causes relativement transitoires et spécifiques, ce qui diminuait leur valeur apparente pour la nouvelle prévision.
Pourtant, le prochain projet n’a pas besoin de reproduire le même problème pour être retardé. Le retard précédent causé par une panne informatique peut être remplacé par une réunion imprévue, une erreur de conception ou un délai administratif. Les événements particuliers changent, mais la fréquence générale des perturbations peut rester remarquablement stable.
C’est l’un des mécanismes les plus intéressants du biais : nous apprenons les détails de nos erreurs passées sans nécessairement apprendre leur distribution.
Utiliser le passé ne suffit pas : il faut le considérer comme réellement pertinent
Dans l’une des expériences de 1994, demander simplement aux participants de se souvenir de leurs expériences passées ne suffisait pas à supprimer l’optimisme. En revanche, lorsqu’on leur demandait explicitement de considérer ces expériences comme pertinentes pour la tâche actuelle, le biais moyen disparaissait dans cette expérience : la durée prévue et la durée réelle étaient toutes deux proches de sept jours.
Cette distinction est fondamentale. Nous pouvons connaître une statistique tout en pensant : « oui, mais mon cas est différent ».
Or il est toujours possible de trouver des différences entre deux projets. Aucun mémoire, chantier, logiciel ou voyage n’est exactement identique au précédent. Si l’on exige une similarité parfaite avant d’utiliser une expérience passée, aucune classe de référence ne sera jamais jugée pertinente.
La bonne question n’est donc pas : « ce projet est-il exactement le même ? », mais : « les différences identifiées sont-elles suffisamment importantes pour justifier une prévision différente de ce qui s’est habituellement produit ? »
Biais de planification ou véritable imprévisibilité ?
Tous les retards ne résultent évidemment pas du biais de planification. Même un prévisionniste parfaitement calibré subira parfois un événement exceptionnel.
Supposons qu’un projet planifié pour trois mois soit retardé de six semaines par une inondation rarissime détruisant les locaux. On ne peut pas conclure uniquement à partir de ce résultat que l’estimation initiale était irrationnelle. Une bonne prévision probabiliste n’est pas une prophétie certaine.
Pour démontrer un biais, il faut généralement observer une tendance répétée : dans une série de projets, les prévisions sont systématiquement trop courtes par rapport aux durées observées. C’est pourquoi l’expérience classique compare des prévisions faites avant la tâche aux dates effectivement enregistrées, et pourquoi les classes de référence sont si utiles.
Il faut également distinguer erreur de prévision et erreur volontaire de présentation. Dans certains projets organisationnels, les responsables peuvent avoir intérêt à proposer un coût ou un délai attractif pour obtenir l’autorisation initiale, même s’ils savent que l’estimation est fragile. Bent Flyvbjerg distingue ainsi l’optimisme des phénomènes de représentation stratégique dans ses travaux sur les grands projets d’infrastructure.
Une estimation excessivement basse peut donc provenir d’un biais sincère, d’une incertitude authentique, d’une mauvaise méthode ou d’une incitation stratégique. Le résultat observable ne permet pas à lui seul d’identifier la cause.
La vue externe : demander ce qui arrive habituellement aux projets comparables
Kahneman et Lovallo opposent à la vue interne une vue externe (*outside view*). Au lieu de commencer par le scénario particulier du projet, on commence par examiner ce qui s’est produit dans une classe de cas comparables.
Supposons qu’une équipe prévoie huit mois pour développer un logiciel. La vue interne examine les tâches prévues, les effectifs et le calendrier et conclut que huit mois sont plausibles. La vue externe cherche d’abord, par exemple, vingt projets similaires réalisés auparavant. Si leur durée médiane est de onze mois et que seulement deux ont été achevés en huit mois ou moins, cette information doit fortement influencer la prévision.
La méthode ne dit pas que le nouveau projet durera nécessairement onze mois. Il peut réellement bénéficier d’une meilleure équipe, d’une technologie différente ou d’un périmètre réduit. Mais ces différences doivent désormais expliquer pourquoi ce projet devrait sortir de la distribution observée, plutôt que permettre d’ignorer cette distribution.
Cette approche a été développée en gestion de projet sous le nom de reference class forecasting, notamment par Bent Flyvbjerg pour les grands projets d’infrastructure. Le principe consiste à choisir une classe pertinente de projets comparables, établir la distribution réelle de leurs résultats puis situer le projet actuel dans cette distribution avant d’apporter des ajustements justifiés par ses caractéristiques propres.
L’intérêt est précisément de transformer « combien de temps pensons-nous que notre plan prendra ? » en « combien de temps prennent réellement les projets de ce genre ? »
Une classe de référence n’est utile que si elle est bien choisie
La vue externe n’est cependant pas magique. Une mauvaise classe de référence peut être aussi trompeuse qu’un mauvais scénario interne.
Comparer la construction d’un hôpital à celle d’un abri de jardin n’aurait guère de valeur. À l’inverse, définir une classe tellement précise qu’elle ne contient que deux projets fait disparaître l’intérêt statistique de l’exercice.
Il faut trouver un niveau de comparaison suffisamment proche pour être informatif et suffisamment large pour révéler une distribution. Selon le problème, les variables pertinentes peuvent être la taille, la technologie, l’expérience de l’équipe, la complexité institutionnelle ou les dépendances externes.
La vue externe doit donc être combinée avec des connaissances internes. Le taux de base fournit un point de départ ; les informations spécifiques permettent ensuite de l’ajuster lorsqu’elles sont réellement diagnostiques.
Nous retrouvons exactement la logique développée dans la fiche sur la représentativité : le cas particulier et le taux de base ne sont pas concurrents ; le bon raisonnement doit les combiner.
Faire un plan détaillé peut améliorer l’exécution sans garantir une meilleure prévision
Une nuance importante concerne le rôle pratique de la planification. Si imaginer les étapes futures contribue au biais, faudrait-il moins planifier ? Non.
Une bonne planification peut permettre de découvrir des dépendances oubliées, prévoir du matériel, répartir le travail et transformer une intention vague en actions concrètes. Des intentions d’implémentation, qui précisent quand et comment une tâche sera réalisée, ont notamment été étudiées comme moyen de modifier la réalisation effective des tâches et, dans certains protocoles, de réduire l’écart entre prévisions et achèvement.
Mais une amélioration de l’exécution ne doit pas être confondue avec une amélioration automatique de la prévision. Un calendrier détaillé peut à la fois aider l’équipe à terminer plus vite et rester trop optimiste s’il suppose implicitement que chaque étape se déroulera sans incident.
La bonne pratique consiste donc à séparer le plan opérationnel de la prévision statistique. Le premier répond à la question « comment allons-nous faire ? » ; la seconde à « quand avons-nous réellement des chances raisonnables d’avoir terminé ? »
Cette séparation est particulièrement importante lorsqu’une date annoncée possède de fortes conséquences financières ou organisationnelles.
Cas pratique — « Cette fois, trois semaines suffiront »
Une équipe doit réécrire vingt fiches d’un site. Elle estime qu’une fiche demande environ une heure : vingt heures de rédaction, quelques heures de vérification et une petite marge. Trois jours semblent donc suffisants.
La vue interne paraît cohérente. Mais les projets précédents montrent que les fiches demandent régulièrement des recherches supplémentaires, que certaines nécessitent une réécriture, que des problèmes techniques apparaissent et que les contrôles finaux révèlent des incohérences. Les cinq dernières séries comparables ont demandé respectivement quatre, cinq, cinq, six et huit jours.
L’équipe peut toujours avoir de bonnes raisons de prévoir trois jours : le processus a peut-être réellement été automatisé ou le contenu est plus simple. Mais la charge de la preuve a changé. Au lieu de dire « cette fois-ci devrait mieux se passer », elle doit identifier ce qui rend cette série suffisamment différente pour justifier une prévision située bien en dehors de la distribution passée.
Si aucune amélioration structurelle importante n’existe, une prévision autour de cinq ou six jours sera probablement mieux calibrée, même si le plan détaillé « tient » théoriquement en trois.
C’est précisément ce que la vue externe apporte : elle intègre automatiquement les petits problèmes que nous ne savons pas encore nommer individuellement mais qui apparaissent régulièrement dans la réalité.
Ajouter arbitrairement 20 % de marge n’est pas la meilleure correction
Une réaction courante consiste à reconnaître son optimisme et à ajouter systématiquement une marge : « je pense trois semaines, donc je vais annoncer quatre semaines ». C’est mieux que rien, mais la quantité de marge reste souvent elle-même une intuition.
L’étude initiale de Buehler et ses collègues montre pourquoi demander simplement une prévision pessimiste n’est pas une solution parfaitement calibrée : même l’hypothèse où « tout se passe aussi mal que possible » restait en moyenne plus courte que la durée réellement observée dans leur première étude.
Une marge empirique est plus solide. Si les dix projets précédents ont dépassé les prévisions de 35 % en médiane, cette information fournit une base beaucoup plus pertinente qu’un coefficient choisi arbitrairement.
Pour les projets répétitifs, on peut aller plus loin en conservant systématiquement prévision initiale, durée réelle et raisons principales des écarts. Après quelques dizaines de cas, l’organisation dispose de sa propre classe de référence.
On peut également produire des intervalles : plutôt que « le projet sera terminé en dix jours », écrire « la médiane des projets comparables est de dix jours ; 80 % sont terminés entre huit et quinze jours » fournit une information beaucoup plus honnête sur l’incertitude.
Comment réduire le biais de planification
La première protection consiste à conserver les prévisions avant réalisation. Sans historique, nous reconstruisons facilement nos anciens délais après coup et oublions l’ampleur réelle des dépassements.
Il faut ensuite choisir une classe de référence pertinente : projets antérieurs de même type, tâches réalisées par la même équipe ou statistiques sectorielles lorsque les données internes manquent. La distribution réelle fournit un point de départ.
La vue interne intervient seulement ensuite : quelles différences spécifiques justifient de déplacer la prévision par rapport à cette base ? Une technologie nouvelle peut faire gagner du temps ; une dépendance supplémentaire peut en faire perdre. Chaque ajustement doit idéalement être explicite.
Pour les projets complexes, il est également utile de faire rechercher par une personne extérieure les obstacles et dépendances oubliés, plutôt que de demander uniquement à l’équipe de défendre son calendrier. Les observateurs utilisent souvent davantage les expériences passées que les acteurs eux-mêmes dans les expériences classiques.
Enfin, il faut distinguer la date cible de la prévision. « Nous devons terminer avant le 1er juin » exprime un objectif ; « nous avons 80 % de chances de terminer avant le 1er juin » exprime une prévision. Confondre les deux encourage la transformation d’un souhait organisationnel en estimation prétendument réaliste.
À retenir
Le biais de planification désigne, dans sa formulation classique, la tendance à sous-estimer le temps nécessaire pour terminer ses propres tâches, même lorsque des expériences antérieures montrent que des tâches comparables prennent régulièrement davantage de temps. Dans l’étude fondatrice de Buehler, Griffin et Ross, des étudiants prévoyaient en moyenne 33,9 jours pour terminer leur mémoire mais en mettaient 55,5, et moins d’un tiers terminaient avant leur estimation jugée la plus réaliste.
L’explication classique oppose la vue interne, centrée sur le scénario particulier permettant au projet de réussir, à la vue externe, qui utilise les résultats de projets comparables. Kahneman et Lovallo soulignent que les décideurs ont tendance à considérer leur problème comme unique et à sous-utiliser les statistiques du passé.
Cette idée demeure suffisamment centrale pour que le biais de planification figure encore dans une revue systématique de 2026 consacrée aux biais liés au temps, aux côtés d’une littérature couvrant les prédictions de durée, les expériences passées et différentes stratégies de réduction. Il ne faut toutefois pas appeler « biais » tout retard : un projet peut être véritablement imprévisible, et une estimation irréaliste peut également provenir d’incitations stratégiques plutôt que d’une erreur cognitive sincère.
La correction la plus solide consiste moins à « être pessimiste » qu’à changer de méthode : avant de demander comment notre projet devrait se dérouler, regarder comment des projets réellement comparables se sont effectivement déroulés.
Sources principales
Roger Buehler, Dale Griffin et Michael Ross, « Exploring the “Planning Fallacy”: Why People Underestimate Their Task Completion Times », *Journal of Personality and Social Psychology*, 1994. Cinq études, 465 participants, constituant la démonstration classique de la sous-estimation des durées, de la focalisation sur les scénarios futurs et de la sous-utilisation spontanée des expériences passées.
Daniel Kahneman et Dan Lovallo, « Timid Choices and Bold Forecasts: A Cognitive Perspective on Risk Taking », *Management Science*, 1993. Texte majeur développant l’opposition entre vue interne et informations statistiques issues de cas comparables dans l’analyse des prévisions excessivement optimistes.
Roger Buehler, Dale Griffin et Johanna Peetz, « The Planning Fallacy: Cognitive, Motivational, and Social Origins », *Advances in Experimental Social Psychology*, 2010. Revue approfondie des définitions, mécanismes, conditions d’apparition et méthodes proposées pour réduire le phénomène.
Sander Koole et Marcel van ’t Spijker, « Overcoming the Planning Fallacy Through Willpower: Effects of Implementation Intentions on Actual and Predicted Task-Completion Times », *European Journal of Social Psychology*, 2000. Étude du rôle des intentions d’implémentation dans les prévisions et l’exécution des tâches.
Bent Flyvbjerg, « From Nobel Prize to Project Management: Getting Risks Right », *Project Management Journal*, 2006. Présentation de la reference class forecasting, qui fonde les prévisions sur les résultats réels d’une classe de projets comparables et distingue notamment optimisme et présentation stratégique des projets.
Pelin Gülüm Taş, Yousef Maknoon et Jafar Rezaei, « Time’s Influence: A Systematic Review of Biases in Intertemporal Decision-Making », *Annual Review of Psychology*, 2026. Revue systématique récente consacrée à six familles de biais temporels, dont le biais de planification, et aux travaux portant sur leurs mécanismes et stratégies de réduction.