Quand faut-il faire confiance à une heuristique ?
Nous avons rencontré des stratégies très différentes : estimer une fréquence à partir de ce qui revient facilement en mémoire, exploiter la reconnaissance, s’arrêter lorsqu’une option dépasse un seuil acceptable, suivre le meilleur indice disponible, éliminer progressivement des possibilités ou utiliser un petit arbre de décision.
Toutes ont un point commun : elles simplifient le problème. Elles ignorent certaines informations, réduisent la recherche, utilisent quelques indices ou fixent une règle permettant de décider avant d’avoir tout examiné.
Cette simplification n’est ni une vertu ni un défaut en elle-même.
Une heuristique peut être remarquablement efficace dans un environnement et devenir franchement mauvaise dans un autre. Une stratégie complexe peut améliorer une décision lorsqu’elle exploite réellement davantage d’information, mais perdre son avantage lorsque les données sont rares, bruitées ou que le temps manque.
La question qui clôt cette rubrique n’est donc pas :
« faut-il faire confiance aux heuristiques ? »
Elle est beaucoup plus utile :
« quelle stratégie mérite notre confiance pour ce problème précis, dans cet environnement précis, relativement aux alternatives réellement disponibles ? »
Cette manière de poser le problème résume la logique de la rationalité écologique : la qualité d’une stratégie dépend de la correspondance entre ses règles et la structure de l’environnement qu’elle exploite. (journals.sagepub.com)
Commencer par définir ce que signifie « réussir »
Avant d’évaluer une heuristique, il faut savoir ce que nous attendons d’elle.
Une même stratégie peut être excellente selon un critère et mauvaise selon un autre.
Un outil de tri médical peut détecter presque toutes les situations graves au prix d’un nombre élevé de faux positifs. Il sera performant si l’objectif prioritaire est de ne manquer presque aucun cas dangereux, beaucoup moins si l’objectif est de réduire au maximum les examens inutiles.
Une procédure de recrutement peut être extrêmement rapide sans sélectionner les meilleurs candidats.
Une règle financière peut maximiser le rendement moyen mais produire des pertes que l’utilisateur ne peut pas supporter.
Le premier travail consiste donc à expliciter le critère de réussite : précision, sécurité, rapidité, coût, sensibilité, spécificité, robustesse, équité, réversibilité ou combinaison de plusieurs objectifs.
Sans ce critère, dire qu’une heuristique « fonctionne » ne signifie presque rien.
Quelle information la règle utilise-t-elle ?
Une heuristique simplifie en sélectionnant certaines informations et en en ignorant d’autres.
Il faut donc la rendre aussi explicite que possible.
Quelle est sa règle de recherche ? Quels indices examine-t-elle ? Dans quel ordre ? Qu’est-ce qui déclenche l’arrêt ? Comment la décision finale est-elle obtenue ?
Pour Take-the-Best, ces règles sont clairement spécifiées : examiner les indices par ordre de validité, arrêter au premier indice discriminant et suivre celui-ci.
Pour le *satisficing*, il faut préciser le niveau d’aspiration et la règle d’arrêt.
Pour un arbre rapide et économe, on peut identifier précisément les questions, leur ordre et les sorties.
Les phénomènes comme disponibilité ou affect sont moins faciles à formaliser, mais la même exigence intellectuelle reste utile : quel signal sommes-nous réellement en train d’utiliser comme substitut à l’information recherchée ?
La facilité de rappel ?
La familiarité ?
La réaction émotionnelle ?
L’opinion d’autres personnes ?
Cette clarification est indispensable pour comprendre pourquoi la stratégie pourrait réussir — et pourquoi elle pourrait échouer.
L’indice exploité est-il réellement prédictif ?
Une heuristique fonctionne lorsqu’elle exploite une régularité réelle.
La reconnaissance peut aider à prédire la taille d’une ville si les grandes villes ont davantage de chances d’être connues.
La réputation d’un expert peut être informative si elle résulte de performances antérieures dans le domaine correspondant.
Une intuition professionnelle peut être fiable si les configurations apprises prédisent réellement les résultats futurs.
Dans chaque cas, il existe un lien :
indice utilisé → propriété recherchée.
La force et la stabilité de ce lien constituent le cœur du problème.
Si la relation disparaît, l’heuristique perd sa justification.
Reconnaître une marque peut prédire sa notoriété sans prédire sa qualité.
Une émotion négative peut signaler une expérience dangereuse passée ou simplement l’influence d’une histoire récente particulièrement spectaculaire.
Une majorité peut représenter des dizaines d’observations indépendantes ou une seule information copiée des dizaines de fois.
La question critique devient donc :
« pourquoi cet indice devrait-il m’apprendre quelque chose sur ce que j’essaie de prévoir ? »
Une réponse psychologiquement plausible n’est pas suffisante. Lorsque l’enjeu le permet, la relation doit être mesurée.
L’environnement est-il suffisamment stable ?
Une stratégie peut avoir été excellente et cesser de l’être.
Supposons qu’un professionnel ait appris pendant vingt ans qu’un certain indice prédit très bien un résultat. Si une technologie, une population ou une procédure change, cette association peut disparaître.
L’expérience passée devient alors moins informative sur l’avenir.
Ce problème, souvent appelé changement de distribution dans les modèles statistiques et l’apprentissage automatique, possède un équivalent direct pour les heuristiques humaines : les régularités apprises ne restent utiles que tant que l’environnement conserve suffisamment de propriétés communes avec celui dans lequel elles ont été apprises.
Une règle empirique efficace en 2000 n’est donc pas automatiquement rationnelle en 2026.
La même question vaut pour l’intuition experte. Kahneman et Klein insistent sur deux conditions : l’environnement doit posséder suffisamment de régularité et l’individu doit avoir eu l’occasion d’apprendre ces régularités. Une impression de certitude ne permet pas de savoir si ces conditions sont satisfaites. (pubmed.ncbi.nlm.nih.gov)
Il faut donc demander périodiquement :
« l’environnement qui a produit cette règle existe-t-il encore ? »
Combien de données possédons-nous ?
La quantité de données change profondément la comparaison entre stratégies simples et complexes.
Avec énormément d’observations fiables, un modèle riche peut apprendre plusieurs relations et exploiter de nombreuses informations complémentaires.
Avec très peu d’observations, estimer une multitude de paramètres devient beaucoup plus difficile. Le modèle peut apprendre non seulement les régularités réelles mais également les particularités accidentelles de l’échantillon.
C’est le problème du surajustement.
Une stratégie plus simple accepte de ne pas représenter toutes les subtilités possibles, mais cette contrainte peut lui permettre de mieux généraliser.
La grande revue de Gigerenzer et Gaissmaier conclut précisément que, dans certains environnements de faible prédictibilité et avec de petits échantillons, ignorer une partie de l’information peut améliorer la précision prédictive par rapport à des stratégies estimant davantage de paramètres. Mais les auteurs présentent cette supériorité comme conditionnelle, non comme une propriété générale des heuristiques. (annualreviews.org)
La question n’est donc pas :
« simple ou sophistiqué ? »
mais :
« quelle complexité les données disponibles permettent-elles réellement d’apprendre ? »
Les informations supplémentaires sont-elles indépendantes ou redondantes ?
Supposons que cinq indices favorisent la même conclusion.
Cela peut sembler beaucoup plus convaincant qu’un seul indice.
Mais tout dépend de leur dépendance.
Si les cinq mesures reflètent essentiellement le même phénomène, les additionner peut donner une illusion de quantité d’information.
C’est exactement le problème rencontré avec l’apprentissage social : cent comptes partageant le même article ne constituent pas cent sources indépendantes.
Le même principe vaut pour une décision statistique.
Lorsque plusieurs indices sont fortement redondants, une stratégie simple peut capturer presque tout le signal avec le premier ou les deux premiers.
Lorsque chaque indice apporte au contraire une information nouvelle et relativement indépendante, les ignorer devient beaucoup plus coûteux.
Cela explique pourquoi Take-the-Best peut être performant dans certaines structures et perdre son avantage dans des environnements plus compensatoires, où plusieurs petits indices additionnés contiennent une information que le meilleur indice ne peut pas représenter seul.
Une bonne simplification cherche donc à éliminer surtout la redondance et le bruit, pas l’information réellement complémentaire.
Combien coûte une information supplémentaire ?
Il existe des situations où chercher davantage ne coûte pratiquement rien.
Si un ordinateur peut effectuer en une fraction de seconde un calcul statistique validé utilisant dix variables déjà disponibles, l’argument selon lequel « une heuristique économise des ressources » perd beaucoup de sa force.
Dans d’autres situations, l’information supplémentaire exige un examen médical, plusieurs heures de recherche, de nouvelles mesures, une expertise rare ou un délai incompatible avec l’urgence.
Le coût de la recherche fait alors partie du problème.
Une procédure légèrement moins précise mais disponible immédiatement peut être préférable à une méthode parfaite arrivant trop tard.
Le compromis ne porte pas uniquement sur précision contre effort mental. Il peut inclure argent, temps, disponibilité d’équipement, charge professionnelle, risque d’un examen ou possibilité de retarder une action.
C’est pourquoi la rationalité limitée ne cherche pas uniquement à maximiser la qualité abstraite d’une réponse.
Elle tient compte du coût nécessaire pour l’obtenir.
Quel est le coût d’une erreur ?
Une heuristique peut être excellente en moyenne et inadéquate pour une décision particulière si les erreurs possibles ont des conséquences très asymétriques.
Supposons qu’une règle rapide classe correctement 95 % des situations.
Cela semble remarquable.
Mais si les 5 % d’erreurs correspondent principalement à des situations rares où une personne en danger est faussement considérée comme rassurante, le chiffre global masque un problème majeur.
Il faut distinguer au moins faux positifs et faux négatifs, mais aussi considérer leur gravité.
Dans certaines décisions, mieux vaut alerter dix fois inutilement que manquer une catastrophe.
Dans d’autres, une intervention injustifiée possède elle-même des conséquences importantes.
Le niveau de prudence doit donc augmenter lorsque l’erreur est grave et irréversible.
Une décision banale et facilement corrigible peut légitimement être gouvernée par une règle très simple.
Une décision vitale, irréversible ou portant sur de nombreux individus exige souvent davantage de vérification.
L’heuristique peut toujours contribuer — par exemple comme outil de tri — sans nécessairement posséder le dernier mot.
La décision est-elle réversible ?
La réversibilité modifie énormément la quantité d’effort rationnellement justifiable.
Choisir un restaurant médiocre pour ce soir coûte peu : demain, nous pouvons en essayer un autre.
Choisir une orientation médicale irréversible, un investissement engageant toute une organisation ou une procédure de sécurité pour plusieurs années n’est pas comparable.
Lorsque les conséquences sont facilement corrigibles, il peut être rationnel d’accepter davantage d’incertitude et de décider rapidement.
Lorsque les conséquences sont difficiles à réparer, la valeur d’une information supplémentaire augmente.
Cette règle simple évite une partie de l’illusion selon laquelle toutes les décisions devraient être analysées avec le même degré de profondeur.
Une bonne économie cognitive consiste justement à réserver nos ressources aux décisions pour lesquelles elles peuvent réellement changer quelque chose d’important.
Avons-nous reçu suffisamment de feedback ?
Une heuristique peut s’améliorer avec l’expérience seulement si son utilisateur découvre suffisamment souvent si elle a fonctionné.
Les travaux de Rieskamp et Otto sur la sélection de stratégies montrent expérimentalement que les participants peuvent apprendre, grâce au feedback, à privilégier progressivement la stratégie qui donne les meilleurs résultats dans l’environnement rencontré. (edoc.unibas.ch)
Cela semble évident, mais de nombreux environnements offrent un feedback très médiocre.
Une personne peut faire une prévision et oublier ensuite de vérifier le résultat.
Une décision peut produire plusieurs conséquences simultanées, rendant difficile l’identification de la cause.
Un professionnel peut ne jamais revoir les cas qui se sont terminés ailleurs.
Un décideur peut observer uniquement les conséquences de l’option qu’il a choisie et jamais celles de l’alternative rejetée.
Dans ces environnements, une heuristique subjective peut devenir extrêmement stable sans jamais être correctement testée.
Le feedback doit donc être non seulement présent, mais interprétable et suffisamment relié à la décision initiale.
Sans cela, la confiance peut progresser beaucoup plus vite que la compétence.
L’heuristique est-elle comparée à une véritable alternative ?
Un piège fréquent consiste à évaluer une stratégie isolément.
On constate qu’elle donne 80 % de bonnes réponses et on conclut qu’elle est excellente.
Mais peut-être qu’une règle encore plus simple en donne 85 %.
Ou qu’un modèle facilement disponible en donne 95 % sans coût supplémentaire.
Une stratégie n’est rationnelle qu’en comparaison avec les alternatives réellement accessibles.
Cela vaut aussi dans l’autre direction.
Comparer une heuristique utilisée sous pression temporelle à un modèle statistique supposant des données parfaites, un temps illimité et plusieurs variables inexistantes dans la situation réelle ne constitue pas une comparaison équitable.
Gigerenzer et Gaissmaier distinguent précisément la question descriptive — quelle stratégie les individus utilisent-ils ? — de la question prescriptive — quelle stratégie devraient-ils utiliser pour cette tâche ? La seconde exige des comparaisons empiriques entre modèles dans des environnements définis. (annualreviews.org)
La bonne question devient donc :
« meilleure que quoi, avec quelles informations et sous quelles contraintes ? »
Tester sur de nouveaux cas
Lorsqu’une heuristique est suffisamment importante pour être formalisée, une règle méthodologique devient essentielle : ne pas seulement la tester sur les données qui ont servi à la construire.
Une règle élaborée après avoir examiné cent dossiers peut parfaitement capturer certaines particularités accidentelles de ces cent dossiers.
Il faut la confronter à d’autres cas.
Cette validation peut prendre plusieurs formes : nouvel échantillon, autre période, autre établissement, réplication indépendante ou validation croisée lorsque les données sont limitées.
Une heuristique réellement robuste doit fonctionner non seulement rétrospectivement, mais sur les situations futures auxquelles elle sera appliquée.
Cette exigence rapproche fortement l’étude des heuristiques de la méthodologie scientifique générale.
Une explication séduisante des succès passés n’est pas encore une bonne procédure prédictive.
Il n’existe pas de frontière fixe entre heuristique et analyse
Une stratégie simple peut servir de première étape puis déclencher une analyse plus approfondie.
C’est probablement l’une des architectures les plus utiles.
Un arbre rapide peut identifier la grande majorité des cas évidents et envoyer les cas ambigus vers un expert.
Une intuition professionnelle peut déclencher une vérification supplémentaire.
Une règle de *satisficing* peut réduire cinquante options à cinq, puis une comparaison détaillée départager les cinq restantes.
Une information sociale peut indiquer où commencer les recherches sans constituer la conclusion finale.
La bonne question n’est donc pas toujours :
« heuristique ou analyse ? »
Elle peut être :
« à quel moment devons-nous passer de l’une à l’autre ? »
Cette logique permet d’allouer davantage de ressources aux cas difficiles plutôt que de traiter toutes les situations comme si elles l’étaient également.
Savoir quand changer de stratégie
Posséder une bonne heuristique n’est qu’une partie de la rationalité.
Il faut également savoir quand ne plus l’utiliser.
Les travaux sur la sélection des stratégies suggèrent précisément que les individus peuvent apprendre un répertoire de procédures et adapter leur utilisation aux résultats obtenus. (edoc.unibas.ch)
Cette capacité constitue une forme de métarationalité : utiliser nos ressources de raisonnement pour choisir combien de ressources de raisonnement investir.
Une règle générale pourrait être formulée ainsi :
si le problème est familier, l’environnement stable, l’erreur peu coûteuse et l’information supplémentaire chère, une heuristique éprouvée peut suffire.
Si le problème est inhabituel, l’environnement instable, l’enjeu majeur ou l’information supplémentaire facilement accessible, il devient rationnel de ralentir.
Ce n’est évidemment pas un algorithme universel.
Mais cela fournit un principe plus réaliste que :
« réfléchissez toujours davantage ».
Réfléchir possède lui aussi un coût.
Cas pratique — faut-il faire confiance à son premier jugement ?
Un professionnel rencontre une situation qui lui paraît immédiatement familière.
Une hypothèse s’impose.
Avant de décider, il peut examiner quelques questions.
Ai-je rencontré suffisamment de situations comparables ?
Ai-je généralement découvert ensuite si mes premières impressions étaient correctes ?
Le domaine est-il suffisamment stable pour que l’expérience passée soit encore pertinente ?
Le cas présent possède-t-il quelque chose d’inhabituel ?
Existe-t-il un test ou une donnée facilement accessible susceptible de modifier fortement la décision ?
Que se passe-t-il si mon intuition est fausse ?
Si la situation est familière, le feedback antérieur excellent, la conséquence de l’erreur faible et la décision facilement réversible, l’intuition peut raisonnablement recevoir beaucoup de poids.
Si plusieurs de ces réponses deviennent défavorables, le même sentiment de familiarité mérite davantage de vérification.
La question n’est donc jamais simplement :
« mon intuition est-elle forte ? »
mais :
« quelles conditions ont permis à cette intuition d’être calibrée ? »
Une petite grille de rationalité écologique
Lorsqu’une heuristique doit être évaluée sérieusement, on peut finalement la confronter à quelques questions récurrentes.
La règle : quelle simplification est réellement utilisée ?
L’objectif : quel résultat cherchons-nous à optimiser ?
L’indice : quelle information la règle exploite-t-elle et pourquoi devrait-elle être prédictive ?
L’environnement : cette relation est-elle suffisamment stable ?
Les données : disposons-nous de suffisamment d’observations pour justifier une stratégie plus complexe ?
La redondance : les informations supplémentaires apportent-elles réellement quelque chose de nouveau ?
Les coûts : combien coûte la recherche d’une meilleure information ?
Les erreurs : quelles sont les conséquences respectives des mauvaises décisions ?
La réversibilité : pourrons-nous facilement corriger notre choix ?
Le feedback : pouvons-nous apprendre de nos résultats ?
La comparaison : quelles autres stratégies réalistes sont disponibles ?
La validation : la règle fonctionne-t-elle sur de nouveaux cas ?
Cette grille ne produit pas automatiquement une réponse.
Elle permet surtout de transformer une discussion vague sur « l’intuition » ou les « raccourcis mentaux » en questions empiriques vérifiables.
Connaître les biais ne suffit pas
Une conséquence importante traverse finalement toute cette rubrique.
Connaître les noms de dizaines de biais et d’heuristiques ne garantit pas de meilleures décisions.
On peut apprendre « disponibilité », « représentativité », « ancrage » ou « affect » puis utiliser ces termes uniquement pour expliquer après coup pourquoi les autres se trompent.
Cette connaissance devient réellement utile lorsqu’elle modifie la question que nous posons.
Au lieu de :
« quel biais explique cette personne ? »
nous pouvons demander :
« quelle information son jugement exploite-t-il, cette information est-elle réellement pertinente et quel critère permettrait de vérifier la conclusion ? »
Au lieu de :
« ai-je utilisé une heuristique ? »
nous pouvons demander :
« cette stratégie était-elle bien calibrée pour ce problème ? »
L’objectif de l’esprit critique n’est donc pas d’éliminer les heuristiques.
Ce serait impossible — et souvent indésirable.
Il est de mieux choisir ses simplifications.
À retenir
Une heuristique ne mérite pas confiance parce qu’elle est rapide, intuitive, simple, naturelle ou parce qu’un expert l’utilise. Elle ne doit pas davantage être rejetée pour ces raisons.
Sa qualité dépend de la correspondance entre la règle, l’objectif et l’environnement.
Une stratégie simple a davantage de chances d’être efficace lorsque quelques indices contiennent l’essentiel de l’information, que les autres sont redondants ou bruités, que les données d’apprentissage sont limitées, que le temps ou l’information sont coûteux et que la règle a pu être correctement calibrée grâce au feedback. La recherche sur les heuristiques confirme que, dans certaines de ces conditions, ignorer une partie de l’information peut améliorer la prédiction. (annualreviews.org)
Une heuristique mérite au contraire davantage de prudence lorsque l’environnement change, que plusieurs informations indépendantes sont utiles, que son indice principal est faiblement prédictif, que l’utilisateur reçoit peu de feedback ou que les conséquences d’une erreur sont importantes et irréversibles.
Pour l’intuition experte, Kahneman et Klein donnent un critère particulièrement éclairant : un environnement suffisamment prévisible et une possibilité suffisante d’en apprendre les régularités. La confiance subjective n’est pas un substitut à ces conditions. (pubmed.ncbi.nlm.nih.gov)
Il faut enfin comparer les stratégies. Une heuristique à 90 % de réussite peut être excellente si les alternatives accessibles font moins bien ; médiocre si un outil aussi simple en atteint 98 %.
Il n’existe donc pas de formule générale :
« faites confiance à votre intuition »
ou :
« méfiez-vous de vos raccourcis mentaux ».
La conclusion de cette rubrique est plus exigeante :
identifiez la règle que vous utilisez, comprenez ce qu’elle exploite dans l’environnement, mesurez ses erreurs lorsque c’est possible et sachez changer de stratégie lorsque les conditions changent.
C’est moins spectaculaire qu’une liste de biais.
C’est aussi beaucoup plus proche d’une véritable autonomie intellectuelle.
Sources principales
Simon, Herbert A. (1956). « Rational Choice and the Structure of the Environment », *Psychological Review*, 63(2), 129-138. DOI : 10.1037/h0042769.
Gigerenzer, Gerd, Todd, Peter M. & ABC Research Group. (1999). *Simple Heuristics That Make Us Smart*. Oxford University Press.
Rieskamp, Jörg & Otto, Philipp E. (2006). « SSL: A Theory of How People Learn to Select Strategies », *Journal of Experimental Psychology: General*, 135(2), 207-236. DOI : 10.1037/0096-3445.135.2.207.
Todd, Peter M. & Gigerenzer, Gerd. (2007). « Environments That Make Us Smart: Ecological Rationality », *Current Directions in Psychological Science*, 16(3), 167-171. DOI : 10.1111/j.1467-8721.2007.00497.x.
Kahneman, Daniel & Klein, Gary. (2009). « Conditions for Intuitive Expertise: A Failure to Disagree », *American Psychologist*, 64(6), 515-526. DOI : 10.1037/a0016755.
Gigerenzer, Gerd & Brighton, Henry. (2009). « Homo Heuristicus: Why Biased Minds Make Better Inferences », *Topics in Cognitive Science*, 1(1), 107-143. DOI : 10.1111/j.1756-8765.2008.01006.x.
Gigerenzer, Gerd & Gaissmaier, Wolfgang. (2011). « Heuristic Decision Making », *Annual Review of Psychology*, 62, 451-482. DOI : 10.1146/annurev-psych-120709-145346.
Hogarth, Robin M., Lejarraga, Tomás & Soyer, Emre. (2015). « The Two Settings of Kind and Wicked Learning Environments », *Current Directions in Psychological Science*, 24(5), 379-385. DOI : 10.1177/0963721415591878.