Optimiser ou être robuste ?
La meilleure option selon nos prévisions n’est pas toujours la meilleure décision
Une grande partie de la théorie de la décision cherche à identifier l’option qui maximise un résultat attendu : gain, utilité, efficacité, santé, sécurité ou combinaison de plusieurs critères. Cette logique est extrêmement utile lorsque les probabilités et les conséquences sont suffisamment bien connues. Mais elle devient plus fragile lorsque nos estimations reposent sur des hypothèses incertaines.
Supposons que deux projets soient envisagés. Le projet A paraît légèrement meilleur selon notre scénario central, mais devient très mauvais si la demande réelle est inférieure de 15 % aux prévisions. Le projet B produit un résultat un peu moins élevé dans le scénario central, mais reste satisfaisant dans une grande variété de situations. Quel est le meilleur choix ?
La réponse dépend de ce que nous cherchons à faire. Si nous avons beaucoup de confiance dans notre modèle et pouvons supporter une mauvaise issue, A peut être raisonnable. Si les prévisions sont très fragiles ou si l’échec est difficilement supportable, B peut être préférable. Cette différence oppose deux ambitions : optimiser pour le futur que nous estimons le plus probable ; chercher une décision qui reste acceptable dans plusieurs futurs plausibles. La seconde approche est celle de la robustesse.
Maximiser n’est qu’une règle de décision parmi d’autres
Une règle de décision indique comment comparer plusieurs options. La plus intuitive consiste à retenir celle qui possède la meilleure valeur ou utilité espérée. Mais ce n’est pas la seule règle possible. Nous pouvons également préférer une option qui évite le pire scénario, impose un seuil minimal de sécurité, réduit le regret maximal ou reste acceptable dans plusieurs situations différentes. Ces règles ne donnent pas toujours la même réponse. Cela ne signifie pas que l’une est rationnelle et les autres irrationnelles. Elles répondent à des problèmes différents et supposent des attitudes différentes face à l’incertitude. Le point important est donc de ne pas appliquer mécaniquement une règle sans examiner pourquoi elle convient au problème étudié.
La dominance : éliminer les options clairement inférieures
Avant d’utiliser des règles plus complexes, il existe un cas relativement simple : la dominance. Une option domine une autre lorsqu’elle est au moins aussi bonne dans toutes les situations pertinentes et meilleure dans au moins une. Supposons deux traitements qui ont exactement la même efficacité, les mêmes risques et la même disponibilité, mais que l’un coûte beaucoup moins cher. Toutes choses réellement égales par ailleurs, le traitement le plus coûteux est dominé. De même, si deux projets possèdent exactement les mêmes coûts et avantages dans tous les scénarios sauf un, où le projet A est meilleur, B semble difficile à justifier. La dominance est puissante parce qu’elle permet d’éliminer certaines options sans devoir attribuer des probabilités précises ni arbitrer entre plusieurs conséquences. Mais les cas de dominance stricte sont relativement rares dans les décisions complexes. Le plus souvent, chaque option possède au moins un avantage et un inconvénient.
Optimiser sous hypothèses connues. Lorsque nous disposons de probabilités suffisamment fiables, maximiser une valeur attendue peut constituer une excellente règle. Prenons trois stratégies :
| Stratégie | Gain si la demande est forte | Gain si la demande est faible |
|---|---|---|
| A | 100 | 20 |
| B | 75 | 50 |
| C | 55 | 55 |
Si nous estimons avec confiance qu’il existe 80 % de chances d’une forte demande, les valeurs attendues sont : A : 0,8 × 100 + 0,2 × 20 = 84 B : 0,8 × 75 + 0,2 × 50 = 70 C : 55 Selon cette analyse, A est nettement préférable. Mais supposons que nous ne sachions pas si la probabilité de forte demande est de 80 %, 50 % ou seulement 20 %. La conclusion devient alors beaucoup moins stable. Le problème n’est pas que le calcul précédent soit faux. Il est que sa conclusion dépend fortement d’une probabilité que nous connaissons mal.
La robustesse : rechercher une option qui fonctionne dans plusieurs scénarios
Une option est robuste lorsqu’elle reste acceptable dans une gamme relativement large de scénarios ou d’hypothèses. La robustesse ne signifie pas nécessairement obtenir le meilleur résultat dans chaque scénario. C’est même rarement possible. Elle signifie plutôt éviter une stratégie qui ne fonctionne bien que si nos prévisions sont presque exactement correctes. Dans notre exemple, A possède le potentiel de gain le plus important, tandis que C offre toujours 55. Si l’avenir est très difficile à prévoir et qu’un résultat inférieur à 40 serait problématique, C possède une propriété importante : il reste au-dessus du seuil dans les deux scénarios. Il est moins performant lorsque tout se passe bien, mais moins dépendant de notre capacité à prévoir correctement le futur.
Robustesse ne signifie pas conservatisme systématique. Il serait facile de caricaturer la robustesse comme une stratégie consistant toujours à choisir l’option la plus prudente. Ce n’est pas le cas. Une décision robuste peut être ambitieuse si elle fonctionne dans plusieurs environnements plausibles. Par exemple, une infrastructure modulaire pouvant être agrandie progressivement peut être plus robuste qu’une infrastructure très petite comme qu’une infrastructure immédiatement gigantesque. Elle permet de répondre à une demande forte tout en limitant les pertes si la demande reste faible. La robustesse consiste donc moins à « faire le minimum » qu’à éviter une dépendance excessive à une prévision particulière.
Maximin : choisir le meilleur pire résultat
Une règle classique face à une incertitude importante est le maximin. Pour chaque option, nous identifions son pire résultat possible. Nous retenons ensuite celle dont le pire résultat est le moins mauvais. Reprenons nos stratégies :
| Stratégie | Meilleur résultat | Pire résultat |
|---|---|---|
| A | 100 | 20 |
| B | 75 | 50 |
| C | 55 | 55 |
Le pire résultat de A est 20. Celui de B est 50. Celui de C est 55. La règle maximin recommande donc C. Cette stratégie accorde une importance extrême au pire scénario. Elle peut être pertinente lorsque l’échec est difficilement supportable et que nous ne pouvons pas attribuer des probabilités fiables. Mais elle peut aussi être beaucoup trop prudente.
Le problème du maximin. Supposons deux options. A offre entre 99 et 100. B offre entre 100 et un million. Le maximin préfère B, puisque son pire résultat est 100 contre 99 pour A. Cela semble raisonnable. Mais modifions légèrement l’exemple. A offre entre 99 et un milliard. B garantit 100. Le maximin choisit encore B parce qu’il regarde uniquement le pire résultat : 100 contre 99. Il ignore complètement l’immense potentiel de A. Cela montre la limite de la règle : un scénario extrêmement défavorable, même très peu plausible, peut dominer toute la décision. Le maximin est donc rarement une règle universelle. Il devient surtout pertinent lorsque le pire scénario est suffisamment plausible et suffisamment grave pour mériter une priorité particulière.
Minimax regret : éviter de trop regretter son choix après coup
Une autre règle cherche non pas à éviter le pire résultat, mais le regret. Le regret correspond ici à la différence entre le résultat obtenu et celui que nous aurions obtenu avec la meilleure décision si nous avions connu l’avenir. Supposons :
| Option | Demande forte | Demande faible |
|---|---|---|
| A | 100 | 20 |
| B | 75 | 50 |
| C | 55 | 55 |
Si la demande est forte, A est la meilleure avec 100. Le regret de B est donc 25 et celui de C, 45. Si la demande est faible, C est la meilleure avec 55. Le regret de A est alors 35 et celui de B, 5. Le regret maximal devient : A : 35 B : 25 C : 45 La règle du minimax regret choisirait donc B. Elle cherche une stratégie qui évite d’avoir énormément perdu par rapport à ce que nous aurions pu faire si nous avions su à l’avance ce qui allait se passer.
Le regret n’est pas seulement une émotion. Le mot peut donner l’impression qu’il s’agit d’une simple réaction psychologique. Mais dans ce contexte, le regret peut être défini de manière formelle : écart entre le résultat de notre décision et le meilleur résultat qui aurait été accessible dans le scénario effectivement réalisé. Cette mesure est particulièrement intéressante lorsque nous hésitons entre des options dont les avantages apparaissent dans des futurs très différents. Elle ne nécessite pas toujours de connaître précisément les probabilités. Mais elle possède elle aussi des limites : minimiser le regret peut conduire à choisir une option médiocre dans tous les scénarios simplement parce qu’elle ne s’éloigne jamais trop du meilleur choix. Aucune règle ne dispense donc d’examiner le contexte.
Les contraintes de sécurité : certaines issues sont simplement inacceptables
Une autre approche consiste à ne pas maximiser directement un résultat, mais à imposer d’abord une contrainte de sécurité. Par exemple : ne retenir que les options dont la probabilité de faillite reste inférieure à 1 % ; ne retenir que les systèmes capables de fonctionner après la défaillance d’un composant critique ; ne retenir que les projets garantissant un niveau minimal de service. Une fois cette contrainte respectée, nous pouvons optimiser parmi les solutions restantes. Cette logique est très courante dans les systèmes où certaines défaillances doivent être évitées presque indépendamment des bénéfices moyens. Elle revient à dire : « Nous ne voulons pas maximiser un résultat au prix d’un niveau de danger jugé inacceptable. »
Les seuils transforment une optimisation. Supposons qu’une entreprise compare trois stratégies :
| Stratégie | Profit attendu | Probabilité de faillite |
|---|---|---|
| A | 20 M€ | 0,2 % |
| B | 30 M€ | 1 % |
| C | 45 M€ | 8 % |
Maximiser le profit attendu conduit à choisir C. Mais si l’entreprise décide qu’une probabilité de faillite supérieure à 2 % est inacceptable, C est éliminée. La décision se joue alors entre A et B. Le choix du seuil reste évidemment discutable. Pourquoi 2 % plutôt que 1 ou 5 % ? C’est précisément pourquoi les contraintes doivent être justifiées et visibles. Un seuil caché dans un modèle peut être beaucoup plus problématique qu’un seuil explicitement assumé et débattu.
Une stratégie peut être optimale et fragile
Reprenons un projet dont le résultat attendu dépend de trois hypothèses : croissance de la demande, coût de l’énergie et taux d’intérêt. Selon les valeurs les plus probables, le projet A produit un bénéfice de 100. Le projet B n’en produit que 90. A semble optimal. Mais l’analyse de sensibilité montre que A devient déficitaire si seulement deux hypothèses se détériorent légèrement. B reste positif dans presque tous les scénarios étudiés. Nous pouvons alors dire : A est optimal selon le scénario central ; B est plus robuste à l’erreur de prévision. Ce vocabulaire permet d’éviter un faux débat. Il n’est pas nécessaire de prétendre qu’une option est « objectivement meilleure » dans tous les sens possibles. Nous pouvons identifier le type d’avantage qu’elle possède.
La robustesse devient particulièrement importante sous incertitude profonde. Lorsque les probabilités sont bien connues, nous pouvons les intégrer à une espérance. Lorsque les probabilités elles-mêmes sont extrêmement incertaines, il devient beaucoup plus difficile de justifier un calcul unique. Supposons plusieurs modèles climatiques, économiques ou technologiques donnant des trajectoires très différentes. Nous pourrions leur attribuer une moyenne. Mais si nous ne savons pas correctement quelle probabilité donner à chaque modèle, cette moyenne risque de créer une précision artificielle. Une approche robuste consiste alors à examiner plusieurs futurs plausibles et à rechercher les stratégies qui fonctionnent raisonnablement bien dans un grand nombre d’entre eux. La question devient : « Quelle décision regretterions-nous le moins si notre modèle central était faux ? » ou : « Quelle décision évite les échecs inacceptables dans la plus grande variété de futurs plausibles ? »
Robustesse et marge de sécurité
Les ingénieurs utilisent depuis longtemps des marges de sécurité. Si un pont doit normalement supporter une certaine charge, on ne le construit généralement pas pour s’effondrer dès que cette charge est très légèrement dépassée. Une marge est introduite afin de tenir compte des variations de matériaux, des erreurs de mesure, des utilisations imprévues et des limites du modèle. La même intuition peut s’appliquer à d’autres décisions. Une entreprise peut conserver plus de trésorerie que le minimum strictement nécessaire. Un réseau électrique peut maintenir des capacités de réserve. Un hôpital peut conserver un stock critique supérieur à la consommation moyenne. Ces marges ont un coût. Mais elles réduisent la dépendance à des prévisions parfaitement exactes. Une marge de sécurité achète de la tolérance à l’erreur.
Trop de robustesse peut elle-même coûter très cher
Chercher la robustesse n’est cependant pas gratuit. Une infrastructure capable de résister à tous les scénarios imaginables peut devenir financièrement impossible. Des stocks gigantesques peuvent gaspiller des ressources. Une entreprise tellement prudente qu’elle n’investit jamais peut finir par disparaître face à ses concurrents. La robustesse doit donc être elle-même proportionnée. La question n’est pas : « Comment nous protéger contre tout ce qui pourrait arriver ? » mais : « Contre quelles erreurs ou quels scénarios vaut-il réellement la peine de se protéger ? » Cela exige de considérer la plausibilité, la gravité et le coût de la protection.
Ne pas transformer le scénario catastrophe en argument absolu. L’une des dérives les plus fréquentes consiste à invoquer une catastrophe imaginable pour imposer une décision. Le raisonnement prend alors cette forme :
« Si nous choisissons A, il est possible qu’une catastrophe survienne. Donc il faut absolument choisir B. »
Mais la simple possibilité logique d’un événement ne suffit pas. Presque toute décision possède un scénario catastrophe. Le scénario doit avoir une plausibilité suffisante, et la mesure destinée à l’éviter doit être comparée à ses propres coûts et risques. Cette exigence est particulièrement importante lorsque les scénarios sont très spéculatifs. Une conséquence énorme multipliée par une probabilité inventée ne produit pas une analyse sérieuse. La robustesse cherche à résister à des futurs plausibles, pas à toutes les histoires que nous pouvons imaginer.
Cas pratique — Dimensionner un service d’urgence
Un hôpital doit déterminer la capacité d’un service d’urgence. L’optimisation pure pourrait chercher la capacité qui minimise les coûts pour l’affluence moyenne. Cette solution fonctionne très bien la plupart des jours. Mais elle peut devenir rapidement insuffisante lors d’une épidémie saisonnière, d’un accident collectif ou d’un épisode de chaleur intense. À l’inverse, maintenir chaque jour la capacité nécessaire au pire événement imaginable serait extrêmement coûteux. Une stratégie robuste peut combiner plusieurs éléments : capacité normale suffisante, possibilité d’ouvrir rapidement des places supplémentaires, personnel mobilisable, stocks de matériel et protocoles de transfert. La solution n’optimise pas une seule situation. Elle construit une capacité d’adaptation à plusieurs niveaux de demande. C’est précisément l’un des intérêts de penser la robustesse avec la flexibilité plutôt qu’avec la simple surcapacité.
Cas pratique — Une digue face à l’incertitude climatique
Une ville côtière envisage une nouvelle digue destinée à fonctionner pendant plusieurs décennies. Les projections du niveau marin ne donnent pas une valeur unique. Une stratégie consiste à construire immédiatement un ouvrage correspondant à l’estimation centrale. Une deuxième consiste à construire dès maintenant une digue extrêmement haute couvrant les scénarios les plus pessimistes. Une troisième prévoit une structure dont les fondations permettent de relever ultérieurement la hauteur si les observations montrent que le niveau marin augmente plus vite que prévu. Cette troisième stratégie peut coûter légèrement plus cher aujourd’hui que l’option minimale. Mais elle possède une propriété particulière : elle réduit le besoin de connaître exactement l’avenir maintenant. Nous retrouvons ici le lien entre robustesse, réversibilité et optionalité.
Optimisation et robustesse ne sont pas des ennemies. Il serait trompeur d’opposer deux camps : les calculateurs qui optimisent contre les prudents qui cherchent la robustesse. Une analyse peut parfaitement combiner les deux. Nous pouvons rechercher l’option maximisant l’utilité attendue parmi celles qui respectent certaines contraintes de sécurité. Nous pouvons rechercher la meilleure performance moyenne tout en vérifiant qu’elle reste acceptable sous plusieurs scénarios plausibles. Nous pouvons aussi optimiser une stratégie adaptative plutôt qu’une décision rigide. La véritable question est donc : « À quoi voulons-nous que notre décision soit optimale ? » À notre scénario central ? À une moyenne probabiliste ? À la protection d’un seuil minimal ? À la capacité de s’adapter lorsque les conditions changent ? Cette clarification est plus importante que le choix d’un mot.
Quand privilégier davantage la robustesse ?
La robustesse devient particulièrement attractive lorsque plusieurs conditions sont réunies : les probabilités sont très incertaines ; les conséquences d’une mauvaise estimation sont importantes ; la décision est difficile à inverser ; plusieurs modèles plausibles donnent des résultats différents ; ou l’horizon temporel est suffisamment long pour rendre les prévisions fragiles. À l’inverse, une optimisation plus classique peut être préférable lorsque les probabilités sont bien estimées, les décisions sont répétées, les pertes sont facilement absorbables et les conséquences d’une erreur restent limitées. Il n’existe donc pas de règle universelle : plus l’incertitude sur notre propre modèle devient importante, plus il devient utile d’examiner la robustesse de la décision à l’erreur de modélisation.
Une grille pour choisir une règle de décision
| Situation | Règle ou approche potentiellement utile |
|---|---|
| Probabilités bien connues, conséquences comparables | Valeur ou utilité espérée |
| Une option est toujours moins bonne qu’une autre | Dominance |
| Pire scénario suffisamment plausible et inacceptable | Maximin ou contrainte de sécurité |
| Probabilités très incertaines | Scénarios et robustesse |
| Fort risque de regret selon le scénario réalisé | Minimax regret |
| Certains seuils ne doivent pas être franchis | Contraintes minimales |
| Possibilité d’adapter la stratégie plus tard | Stratégie flexible ou adaptative |
Ce tableau ne constitue pas un algorithme automatique. Il montre surtout qu’une règle de décision doit être choisie en fonction de la structure du problème, et non par habitude.
Robustesse et pluralité des valeurs. La robustesse peut également concerner les valeurs. Supposons qu’une décision soit préférable uniquement si nous attribuons exactement 60 % de poids au coût et 40 % à la sécurité. Une autre reste préférable lorsque le poids de la sécurité varie entre 30 et 80 %. La seconde possède une forme de robustesse normative : sa justification dépend moins d’une pondération très précise et contestable. Cette idée est particulièrement utile dans les décisions collectives où les personnes raisonnables peuvent accorder des poids différents à plusieurs objectifs. Une solution qui reste satisfaisante sous plusieurs systèmes de valeurs plausibles peut parfois faciliter un compromis sans prétendre effacer le désaccord.
Le piège du meilleur cas central
Un projet peut être présenté comme « le meilleur » parce qu’il produit le chiffre le plus élevé dans une prévision officielle. Mais si l’écart avec les alternatives est faible tandis que son incertitude est énorme, le classement central ne dit pas grand-chose. Supposons : A : résultat prévu 100, mais plausible entre −50 et 180. B : résultat prévu 90, plausible entre 70 et 110. Dire simplement que A est supérieur parce que 100 > 90 masque l’essentiel. L’analyse doit montrer l’incertitude. Une décision éclairée peut toujours retenir A. Mais elle doit le faire en connaissance de sa fragilité.
Une bonne décision peut accepter de ne pas être la meilleure. Cette idée peut sembler paradoxale. Pourquoi choisir volontairement une option dont nous pensons qu’elle ne produira probablement pas le meilleur résultat ? Parce qu’une petite réduction du bénéfice attendu peut parfois acheter une grande diminution du risque d’échec. Une entreprise pourrait choisir une technologie produisant 5 % de rendement en moins mais dépendant de matières premières disponibles auprès de nombreux fournisseurs. Un État peut conserver plusieurs sources d’énergie alors qu’une seule serait momentanément moins chère. Un hôpital peut maintenir certaines capacités de réserve rarement utilisées. Ces choix ne cherchent pas la performance maximale dans le monde idéal. Ils cherchent une performance suffisante dans le monde réel, où les prévisions peuvent être fausses.
À retenir
Maximiser la valeur ou l’utilité attendue est une méthode fondamentale de décision, mais ce n’est pas la seule règle rationnelle possible. La dominance permet parfois d’éliminer des options clairement inférieures. Le maximin protège contre le pire scénario mais peut devenir excessivement prudent. Le minimax regret cherche à limiter l’écart avec la meilleure décision que nous aurions pu prendre si nous avions connu l’avenir. Les contraintes de sécurité permettent d’exclure certaines issues jugées inacceptables. La robustesse ajoute une question essentielle : « Cette décision reste-t-elle raisonnable si nos hypothèses sont fausses ? »
Une stratégie robuste n’est pas nécessairement celle qui obtient le meilleur résultat dans le scénario central. C’est celle qui conserve une performance acceptable dans plusieurs futurs plausibles et qui évite de dépendre excessivement d’une prévision fragile. La prochaine difficulté est alors immédiate : parmi les options que nous comparons, il en existe une que nous traitons souvent comme si elle était neutre — attendre ou maintenir le statu quo. Or ne rien faire possède lui aussi des coûts, des bénéfices et des risques. C’est l’objet de la fiche suivante : « Agir, attendre ou ne rien faire : les risques du statu quo ».
Sources et approfondissements
Abraham Wald, *Statistical Decision Functions*, 1950. Travail fondateur de la théorie statistique de la décision et des raisonnements minimax sous incertitude. Leonard J. Savage, *The Foundations of Statistics*, Wiley, 1954. Référence majeure pour la décision sous incertitude et les fondements de l’utilité espérée subjective. Leonard J. Savage, « The Theory of Statistical Decision », *Journal of the American Statistical Association*, vol. 46, no 253, 1951, p. 55-67. L’article expose les fondements de la décision statistique sous incertitude.
Robert J. Lempert, Steven W. Popper et Steven C. Bankes, *Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis*, RAND Corporation, 2003. Développement de méthodes de décision robustes utilisant de nombreux scénarios plutôt que la recherche d’une prévision unique. Robert J. Lempert, David G. Groves, Steven W. Popper et Steven C. Bankes, « A General, Analytic Method for Generating Robust Strategies and Narrative Scenarios », *Management Science*, vol. 52, no 4, 2006, p. 514-528. Les auteurs proposent notamment d’identifier des stratégies performantes dans une grande variété de futurs plausibles puis de rechercher les conditions dans lesquelles elles échouent. Itzhak Gilboa et David Schmeidler, « Maxmin Expected Utility with Non-Unique Prior », *Journal of Mathematical Economics*, vol. 18, no 2, 1989, p. 141-153. L’article formalise une décision sous ambiguïté sans distribution probabiliste unique.